基于泊松分布的计数数据的多元分布综述
本文探讨了多元 Bernoulli 分布作为一种模型估计具有二元节点的图结构; 该模型不仅能够估计节点之间的主要效应和两两交互作用,还能够建立更高阶互作用关系,包括复杂的 clique effects。通过与现有的图推断模型 - Ising 模型和多元高斯模型相比较,我们得出了许多关于此模型的有趣性质。
Jun, 2012
本文介绍了 Poisson-Dirichlet 过程及其在 Bayesian 建模中的应用,包括构建离散问题的先验、后验和计算技巧,还介绍了分割、共轭、分形和聚类等特性。
Jul, 2010
本研究提出了一种通用的建模框架,通过结合非参数狄利克雷过程混合模型和非参数或半参数建模,用于标记泊松过程的强度和密度函数建模,包括建议的核函数选取、先验规范和后验模拟等内容,并讨论了模型检验的方法,最后以模拟和真实数据集为例进行了说明。
Dec, 2010
基于伽马 - 泊松构造,我们介绍了一种新的动态系统以处理多元计数数据,并且基于贝叶斯非参数先验关联和收缩模型参数,避免了过拟合问题。我们提出了一种高效的 MCMC 推断算法,证明该模型具有良好的预测性能和高度可解释的潜在结构。
Jan, 2017
本文提出了通过使用泊松分布和二项分布来约束离散序数概率分布为单峰态的简单技术,从而避免交叉熵损失产生的概率分布具有不良性质,并在深度学习的两个大型序数图像数据集上进行了评估,取得了良好的效果。
May, 2017
定义了一组概率分布,用于随机计数矩阵,并构建出三种分布,分别来自于 gamma-Poisson、gamma-negative binomial 和 beta-negative binomial 过程。这些模型都具有 GIBBS 抽样更新方程,适合作为计数矩阵的非参数贝叶斯先验。通过对这些矩阵的组合结构进行分析,介绍了如何逐行构建一个列独立同分布的计数矩阵,并得到了新行计数向量的预测分布。最后,用这些先验设计了一个朴素贝叶斯文本分类器,并通过实验证明了负二项式过程比 Poisson 过程更适合文本分类。
Apr, 2014
使用逻辑棒式分解法和泊松 - 伽马增强技术对多项分布进行重新定义,提出具有联合高斯似然的潜在变量,从而利用广泛的高斯模型贝叶斯推断技术,实现对具有相关性的离散数据的建模。
Jun, 2015
研究了无监督学习中的一个基本问题:学习未知的泊松二项式分布,并提出高效的算法,其时间复杂度与数据大小呈对数关系,可以学习到精度为 ε 的结果。同时,提出一个适当的学习算法来学习泊松二项式分布的加权和。
Jul, 2011