Bayesian models for sparse probability tables
稀疏概率表的贝叶斯模型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：摘要研究稀疏概率表及图模型，图结构并未指向经济网络或干扰，也未描述离散选择行为，分类依据不足。
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
稀疏概率表的贝叶斯模型
- 研究问题
- 当解释变量分布未知、仅观测响应变量的多项样本且许多条件概率为零时，如何对这些条件概率开展贝叶斯推断？
- 方法与思路
- 作者定义固定似然比模型和准增量分布，利用后者与可分解图的联系，指导变量变换及条件概率的共轭重参数化分析。
- 材料陈述的贡献
- 摘要称准增量分布与可分解图密切相关，这种联系可帮助找到允许共轭贝叶斯分析的变量变换和概率参数表示。
- 阅读关注点
- 核对零概率的设定、未知解释变量分布下可推断的对象，以及图结构、变量变换和重参数化所需限制。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；未说明识别范围、先验构造或实际计算方法，不能认为任意稀疏表均适用。
原文摘要
We wish to make inferences about the conditional probabilities $p(y|x)$, many of which are zero, when the distribution of X is unknown and one observes only a multinomial sample of the Y variates. To do this, fixed likelihood ratio models and quasi-incremental distributions are defined. It is shown that quasi-incremental distributions are intimately linked to decomposable graphs and that these graphs can guide us to transformations of X and Y which admit a conjugate Bayesian analysis on a reparametrization of the conditional probabilities of interest.