Latent factor models for density estimation
用于密度估计的潜在因子模型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：摘要中的潜在因子用于一般贝叶斯密度构造，没有宏观共同因子或金融因子内容，所列分类证据不足。
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…
关注这篇论文的作者
用于密度估计的潜在因子模型
- 研究问题
- 在贝叶斯密度估计中，能否以连续潜变量的非线性变换替代离散混合建模，同时保持充分支持、后验一致性与计算便利？
- 方法与思路
- 作者以均匀潜变量的随机非线性函数加上残差构造新先验，研究诱导密度的性质，并使用 Gibbs 抽样进行计算。
- 材料陈述的贡献
- 摘要称，该先验便于围绕初始密度猜测设定中心，具有大支持和后验一致性；模拟及流行病学应用展示其相对离散混合的优势。
- 阅读关注点
- 应核对随机函数与残差的先验设定、支持和一致性的具体含义与条件，以及 Gibbs 抽样实现和离散混合比较的依据。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；一致性条件和优势幅度未说明，题名中的潜在因子不能直接等同于宏观因子。
原文摘要
Abstract: Although discrete mixture modeling has formed the backbone of the literature on Bayesian density estimation, there are some well known disadvantages. We propose an alternative class of priors based on random nonlinear functions of a uniform latent variable with an additive residual. The induced prior for the density is shown to have desirable properties including ease of centering on an initial guess for the density, large support, posterior consistency and straightforward computation via Gibbs sampling. Some advantages over discrete mixtures, such as Dirichlet process mixtures of Gaussian kernels, are discussed and illustrated via simulations and an epidemiology application.