Computational and Inferential Difficulties with Mixture Posterior Distributions
混合模型后验分布的计算与推断困难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：摘要讨论通用混合模型的贝叶斯计算与标签置换问题，未指向所列具体领域。
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…
混合模型后验分布的计算与推断困难
- 研究问题
- 混合模型后验因成分置换产生多个对称模态时，如何让采样充分探索这些模态，并形成有意义的贝叶斯估计？
- 方法与思路
- 作者使用温度化转移促进跨模态探索，并针对置换不变的后验提出聚类装置与适当损失函数下的推断方案。
- 材料陈述的贡献
- 摘要称，温度化转移可推动多模态探索；对不区分成分的先验，作者提出替代标准后验均值的置换不变推断方法。
- 阅读关注点
- 核对温度化转移的实现与探索诊断，区分标签相关参数和置换不变目标，并检查聚类及损失函数如何定义估计对象。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未说明采样成本或普遍收敛保证，后验均值的困难应结合具体参数与标签解释核对。
原文摘要
This article deals with both exploration and interpretation problems related to posterior distributions for mixture models. The specification of mixture posterior distributions means that the presence of k! modes is known immediately. Standard Markov chain Monte Carlo (MCMC) techniques usually have difficulties with well-separated modes such as occur here; the MCMC sampler stays within a neighborhood of a local mode and fails to visit other equally important modes. We show that exploration of these modes can be imposed using tempered transitions. However, if the prior distribution does not distinguish between the different components, then the posterior mixture distribution is symmetric and standard estimators such as posterior means cannot be used. We propose alternatives for Bayesian inference for permutation invariant posteriors, including a clustering device and alternative appropriate loss functions.