Bayesian Mixture Labeling by Highest Posterior Density
基于最高后验密度的贝叶斯混合模型标签确定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：摘要是通用贝叶斯混合模型计算方法，没有足够文本依据归入所列应用细分。
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
基于最高后验密度的贝叶斯混合模型标签确定
- 研究问题
- 在对称先验导致混合成分标签不可识别时，如何统一MCMC样本的标签，获得可解释的后验汇总和可信区域？
- 方法与思路
- 作者提出按各MCMC样本经上升算法到达的后验众数确定标签，以及通过最大化已标记Gibbs样本的正态似然确定标签。
- 材料陈述的贡献
- 摘要称众数方法具有一定计算优势，并可匹配最高后验密度可信区域中的理想标签；两种方法均以模拟和数据示例。
- 阅读关注点
- 核对理想标签的定义、众数搜索与收敛判定、正态似然近似依据，以及标签规则对混合成分重叠和多模态的敏感性。
- 阅读边界
- 所据为版本未注明的索引摘要；标签整理并不自动解决成分实质识别，摘要未说明失败情形或普遍计算优势。
原文摘要
A fundamental problem for Bayesian mixture model analysis is label switching, which occurs as a result of the nonidentifiability of the mixture components under symmetric priors. We propose two labeling methods to solve this problem. The first method, denoted by PM(ALG), is based on the posterior modes and an ascending algorithm generically denoted ALG. We use each Markov chain Monte Carlo sample as the starting point in an ascending algorithm, and label the sample based on the mode of the posterior to which it converges. Our natural assumption here is that the samples converged to the same mode should have the same labels. The PM(ALG) labeling method has some computational advantages over other popular labeling methods. Additionally, it automatically matches the “ideal” labels in the highest posterior density credible regions. The second method does labeling by maximizing the normal likelihood of the labeled Gibbs samples. Using a Monte Carlo simulation study and a real dataset, we demonstrate the success of our new methods in dealing with the label switching problem.