A Gibbs Sampler for a Class of Random Convex Polytopes
一类随机凸多面体的 Gibbs 采样器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：摘要讨论分类分布的一般推断与随机多面体采样，未涉及离散选择行为或其他所列细分方向，故不作领域归类。
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…
一类随机凸多面体的 Gibbs 采样器
- 研究问题
- 在分类分布的 Dempster–Shafer 推断中，如何对承载推断信息的随机凸多面体采样，并表达部分先验下的不确定性？
- 方法与思路
- 作者利用顶点配置的迭代约束与完全有向图中环非负性之间的等价关系，构造针对随机凸多面体分布的 Gibbs 采样器。
- 材料陈述的贡献
- 摘要称该算法支持对正式命题给出支持、反对和未知三类概率评估，并以二乘二列联表独立性检验及连锁模型估计作示例。
- 阅读关注点
- 阅读全文时应核对多面体分布如何对应推断对象、图约束等价关系的条件，以及采样器的收敛性质与部分先验的具体输入方式。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未说明收敛保证、计算复杂度或先验兼容条件，不能推断刊本变化。
原文摘要
We present a Gibbs sampler for the Dempster–Shafer (DS) approach to statistical inference for categorical distributions. The DS framework extends the Bayesian approach, allows in particular the use of partial prior information, and yields three-valued uncertainty assessments representing probabilities “for,” “against,” and “don’t know” about formal assertions of interest. The proposed algorithm targets the distribution of a class of random convex polytopes which encapsulate the DS inference. The sampler relies on an equivalence between the iterative constraints of the vertex configuration and the nonnegativity of cycles in a fully connected directed graph. Illustrations include the testing of independence in 2 × 2 contingency tables and parameter estimation of the linkage model.