Generalized smooth finite mixtures
广义平滑有限混合模型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：摘要明确以响应变量的条件密度估计为核心，属于所列分位数与分布方向中的分布建模内容。
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…
广义平滑有限混合模型
- 研究问题
- 在协变量可能高维时，如何灵活估计响应变量的条件密度，并同时选择影响混合权重与各成分参数的变量，以控制过度拟合？
- 方法与思路
- 作者构造混合权重随协变量变化的有限混合模型，通过连接函数让成分参数依赖协变量，并用 MCMC 在权重和成分中进行变量选择。
- 材料陈述的贡献
- 摘要称，研究提供一般模型类与统一贝叶斯推断方法，允许成分属于任意参数密度族，并通过参数化和选择先验设计防止过度拟合。
- 阅读关注点
- 应核对混合成分的识别、连接函数与先验设定、高维变量选择的计算负担，以及模拟和真实数据如何评价条件密度估计。
- 阅读边界
- 仅据所给出版社摘要，不能确认过度拟合控制的理论保证、适用维度或估计误差；模拟与实证展示不构成对所有密度模型的优势证明。
原文摘要
We propose a general class of models and a unified Bayesian inference methodology for flexibly estimating the density of a response variable conditional on a possibly high-dimensional set of covariates. Our model is a finite mixture of component models with covariate-dependent mixing weights. The component densities can belong to any parametric family, with each model parameter being a deterministic function of covariates through a link function. Our MCMC methodology allows for Bayesian variable selection among the covariates in the mixture components and in the mixing weights. The model’s parameterization and variable selection prior are chosen to prevent overfitting. We use simulated and real data sets to illustrate the methodology.