矩形边界处理

Mar, 2019

Rectangular Bounding Process

Xuhui Fan, Bin Li, Scott Anthony Sisson

TL;DR本文提出了一种新的简洁分区模型 —— 矩形边框过程（RBP），将其应用于回归树和关系模型，验证其在富有表现力的同时又具有紧凑性方面的优点，展示了其吸引人的理论特性。

Abstract

stochastic partition models divide a multi-dimensional space into a number of rectangular regions, such that the data within each region exhibit certain types of homogeneity. Due to the nature of their partition strategy, existing partition models may create many unnecessary divisions

stochastic partition models rectangular bounding process nonparametric partition prior regression trees relational models

发现论文，激发创造

二叉空间划分树过程

该研究提出了一种新的自一致二叉空间划分树过程，可以用于合成数据划分和关联建模，其性能比标准的 Mondrian process 和其他相关方法有明显的推断改进。

Mar, 2019

混合会员建模的贝塔 - 负二项式过程和可交换随机划分

介绍了一种新的非参数贝叶斯主题模型，它使用完全折叠的 Gibbs 采样器来运用 beta - 负二项式过程，并且采用可交换分区概率函数来描述如何将数据点聚类成不确定数量的组，具有简单实现、快速收敛、良好混合以及最先进的预测性能。

Oct, 2014

可解释的超矩形集合作为基模型

本文提出了一种新的基于集成的模型，使用均匀生成的轴平行超矩形为基模型。该模型可以避免过拟合，并使用梯度提升机来整合这些简单的基模型。同时，我们还研究了优化集成模型参数的方法和新的正则化方法，并使用 SHAP 方法解释了我们的集成模型。数值实验表明，我们的方法在回归和分类问题上能够取得良好的效果。

Mar, 2023

空间产品分区模型

本文介绍了使用产品分区模型扩展到空间设置的方法，以明确模型空间位置的划分，提供了更多控制空间结构的方法，能够更好地平衡全局和局部空间依赖性，并通过模拟研究和教育应用示例表明了该方法的实用性。

Apr, 2015

一种非参数贝叶斯聚类的新型先验过程

研究 Bayesian 聚类中先验分布的作用和 Dirichlet、Pitman-Yor 等常用先验分布的预测概率，探索了非参数化 Bayesian 聚类中的另一种先验分布 —— uniform process 的优点和缺陷，并在真实文档聚类任务中进行性能比较。

Jan, 2008

随机块模型与重构

本文研究了稀疏种植分区模型（即随机块模型）中的聚类阈值问题，证明了在某些情况下聚类是不可能的，并提供一种简单高效的算法来估计模型参数。

Feb, 2012

使用递归分区的黑盒密度函数估计

本文提出了一种贝叶斯推导和计算的新方法，通过递归划分样本空间来定义，并通过有效的数据结构组织划分来近似整个密度函数以及规范化常数，可用于证据估计或快速后验采样，并具有与最新技术相当的性能。

Oct, 2020

带有性能保证的 ρ-POMDP 中的测量简化

该研究论文介绍了一种有效的决策制定方法，通过对高维观测空间进行划分，并利用这种划分提出了分析边界，以求得期望的信息论奖励，进而在保证性能的同时实现高效规划。该方法在高斯置信度上表现出至少 4 倍的理论性能改善，在模拟和实际实验中也相对其他先进算法显示了大幅沙盘速度提升。

Sep, 2023

用于微聚类任务的随机划分模型

本文提出了一种满足微聚类特性的贝叶斯随机分区模型，并在实验中展示了该模型在实体解析的应用。

Apr, 2020

可微随机分区模型

提出了一种新的两步方法来推断随机分区模型的参数，允许可变推断任务的使用，并具有可重参数化梯度，能够在对参数进行端到端基于梯度的优化时克服先前方法的限制，本方法在三个具有挑战性的实验中显示出了它的通用性。

May, 2023