Flexible Mixture-Amount Models Using Multivariate Gaussian Processes
基于多元高斯过程的灵活混合物配比与总量模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究一般混合物配比与总量的响应建模，未明确离散选择、因果识别或其他所列细分方向。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
基于多元高斯过程的灵活混合物配比与总量模型
- 研究问题
- 当产品反应同时取决于组分比例和混合物总量时，如何灵活描述总量的影响，并避免参数化函数设定带来的复杂性？
- 方法与思路
- 作者用多元高斯过程描述混合模型参数随总量的变化，避免预先指定这种依赖的函数形式，并强调灵活性与参数节约。
- 材料陈述的贡献
- 摘要称新模型以两种常用模型设定为极端情形，并在两项应用中优于标准混合物配比与总量模型；具体比较结果未列出。
- 阅读关注点
- 核对高斯过程的协方差设定、参数数量与估计方式，以及两种极端模型的对应关系和应用中的模型比较标准。
- 阅读边界
- 摘要称两项应用表现更好，但未说明数据、评价指标、比较设定及不确定性，不能据此判断优势幅度或普遍适用性。
原文摘要
Many products and services can be described as mixtures of components whose proportions sum to one. Specialized models have been developed for relating the mixture component proportions to response variables, such as the preference, quality, and liking of products. If only the mixture component proportions affect the response variable, mixture models suffice to analyze the data. In case the total amount of the mixture also affects the response variable, mixture-amount models are needed. The current strategy for mixture-amount models is to express the response in terms of the mixture component proportions and subsequently specify the corresponding parameters as parametric functions of the amount. Specifying the functional form for these parameters may not be straightforward, and using a flexible functional form usually comes at the cost of a large number of parameters. In this article, we present a new modeling approach that is flexible, but parsimonious in the number of parameters. This new approach uses multivariate Gaussian processes and avoids the necessity to a priori specify the nature of the dependence of the mixture model parameters on the amount of the mixture. We show that this model encompasses two commonly used model specifications as extreme cases. We consider two applications and demonstrate that the new model outperforms standard models for mixture-amount data.