Robust Bayesian Modeling of Counts with Zero Inflation and Outliers: Theoretical Robustness and Efficient Computation
零膨胀与离群计数的稳健贝叶斯建模：理论稳健性与高效计算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：摘要属于通用计数模型稳健贝叶斯方法，趋势与空间应用不足以直接归入所列细分方向。
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…
零膨胀与离群计数的稳健贝叶斯建模：理论稳健性与高效计算
- 研究问题
- 计数数据同时含有过多零值和极大离群观测时，如何减轻标准泊松或负二项模型后验分析对污染的敏感性，并保持计算可行？
- 方法与思路
- 作者引入重标度贝塔分布吸收零值与离群计数的影响，设计专用Gibbs采样算法，并通过趋势滤波和预测高斯过程空间建模展示应用。
- 材料陈述的贡献
- 摘要称，方法具有理论后验稳健性，极端离群值的影响会从后验中自动消除，同时提供高效计算算法与两类建模应用。
- 阅读关注点
- 应核对重标度贝塔分布在模型中的位置、离群影响消除的极限定义与条件，以及零膨胀处理、后验可识别性和采样效率的评价。
- 阅读边界
- 仅依据稿件版本未注明的OpenAlex索引摘要。摘要未展示稳健性定理条件或效率数值，不能据此认定对任意污染及零膨胀机制均有效。
原文摘要
Count data with zero inflation and large outliers are ubiquitous in many scientific applications. However, posterior analysis under a standard statistical model, such as Poisson or negative binomial distribution, is sensitive to such contamination. This study introduces a novel framework for Bayesian modeling of counts that is robust to both zero inflation and large outliers. In doing so, we introduce rescaled beta distribution and adopt it to absorb undesirable effects from zero and outlying counts. The proposed approach has two appealing features: the efficiency of the posterior computation via a custom Gibbs sampling algorithm and a theoretically guaranteed posterior robustness, where extreme outliers are automatically removed from the posterior distribution. We demonstrate the usefulness of the proposed method by applying it to trend filtering and spatial modeling using predictive Gaussian processes.