Bayesian Clustering and Product Partition Models
贝叶斯聚类与乘积分割模型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：摘要讨论通用贝叶斯聚类、决策与异常值检测，缺少所列因果、面板、时间序列或金融方向的直接依据。
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…
贝叶斯聚类与乘积分割模型
- 研究问题
- 如何在统一的决策理论框架中处理乘积分割模型的参数估计、假设检验和聚类，并考察分割先验对结果的影响？
- 方法与思路
- 作者将乘积分割模型表述为模型选择问题，利用其分割结构与 Dirichlet 过程的联系，改造非参数贝叶斯计算策略。
- 材料陈述的贡献
- 摘要称，所提算法能给出目标量及实验单位分组的贝叶斯估计，并用于正态与 Student t 回归中的异常值检测。
- 阅读关注点
- 应核对损失函数、分割先验与模型选择之间的关系，检查算法如何形成分组，以及异常值结论对不同先验的敏感性。
- 阅读边界
- 依据所给 Crossref 摘要；算法更灵活是作者陈述，计算成本、收敛保证和比较标准未说明，也无法推断刊本变化。
原文摘要
Summary We present a decision theoretic formulation of product partition models (PPMs) that allows a formal treatment of different decision problems such as estimation or hypothesis testing and clustering methods simultaneously. A key observation in our construction is the fact that PPMs can be formulated in the context of model selection. The underlying partition structure in these models is closely related to that arising in connection with Dirichlet processes. This allows a straightforward adaptation of some computational strategies—originally devised for nonparametric Bayesian problems—to our framework. The resulting algorithms are more flexible than other competing alternatives that are used for problems involving PPMs. We propose an algorithm that yields Bayes estimates of the quantities of interest and the groups of experimental units. We explore the application of our methods to the detection of outliers in normal and Student t regression models, with clustering structure equivalent to that induced by a Dirichlet process prior. We also discuss the sensitivity of the results considering different prior distributions for the partitions.