Distribution theory for hierarchical processes
层级随机过程的分布理论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：摘要属于层级贝叶斯随机测度的一般理论，异质群体和信息共享本身不足以判定为面板或因子模型。
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…
层级随机过程的分布理论
- 研究问题
- 研究经归一化生成的层级随机测度如何描述异质群体间的信息共享，以及其诱导划分结构和后验分布具有何种性质。
- 方法与思路
- 作者用完全随机测度表示层级过程，并引入推导相关分布的新技术，分析部分可交换划分及构建边际、条件模拟算法。
- 材料陈述的贡献
- 摘要称理论覆盖层级狄利克雷与 Pitman–Yor 过程，刻画划分组数的分布和渐近行为、完整后验，并导出推断算法。
- 阅读关注点
- 应核对归一化层级测度的生成条件、划分组数的渐近设定，以及后验表征如何转化为边际和条件模拟算法。
- 阅读边界
- 仅据版本未注明的索引摘要；信息共享的具体机制、算法效率和适用条件未展开，不能据此声称计算优于其他方法。
原文摘要
Hierarchies of discrete probability measures are remarkably popular as nonparametric priors in applications, arguably due to two key properties: (i) they naturally represent multiple heterogeneous populations; (ii) they produce ties across populations, resulting in a shrinkage property often described as “sharing of information.” In this paper, we establish a distribution theory for hierarchical random measures that are generated via normalization, thus encompassing both the hierarchical Dirichlet and hierarchical Pitman–Yor processes. These results provide a probabilistic characterization of the induced (partially exchangeable) partition structure, including the distribution and the asymptotics of the number of partition sets, and a complete posterior characterization. They are obtained by representing hierarchical processes in terms of completely random measures, and by applying a novel technique for deriving the associated distributions. Moreover, they also serve as building blocks for new simulation algorithms, and we derive marginal and conditional algorithms for Bayesian inference.