Correlated Random Measures
相关随机测度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：摘要研究通用贝叶斯随机测度及潜特征依赖，没有明确对应经济因子、网络干扰或其他所列领域，故不作归类。
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
相关随机测度
- 研究问题
- 如何突破完全随机测度中原子权重独立的限制，在层次贝叶斯非参数模型中灵活描述潜在特征之间的依赖？
- 方法与思路
- 作者将高斯过程与泊松过程结合构造相关随机测度，建立潜特征等模型，并为成对计数模型推导变分推断算法。
- 材料陈述的贡献
- 摘要称，该构造能够同时学习潜在特征及依赖模式，并在文档、网页点击和电子健康记录数据中改善预测表现。
- 阅读关注点
- 应核对相关随机测度的存在条件与依赖表示、变分近似如何实现，以及预测比较中的模型配置、评价指标和计算成本。
- 阅读边界
- 仅据版本未注明的索引摘要；摘要未说明理论条件、近似误差或改善幅度，不能据此判断所有数据上均有预测优势。
原文摘要
We develop correlated random measures, random measures where the atom weights can exhibit a flexible pattern of dependence, and use them to develop powerful hierarchical Bayesian nonparametric models. Hierarchical Bayesian nonparametric models are usually built from completely random measures, a Poisson-process-based construction in which the atom weights are independent. Completely random measures imply strong independence assumptions in the corresponding hierarchical model, and these assumptions are often misplaced in real-world settings. Correlated random measures address this limitation. They model correlation within the measure by using a Gaussian process in concert with the Poisson process. With correlated random measures, for example, we can develop a latent feature model for which we can infer both the properties of the latent features and their dependency pattern. We develop several other examples as well. We study a correlated random measure model of pairwise count data. We derive an efficient variational inference algorithm and show improved predictive performance on large datasets of documents, web clicks, and electronic health records. Supplementary materials for this article are available online.