Information Gap and Feasibility-Aware Inference in Binomial Logistic Mixtures
二项逻辑混合模型中的信息差距与可行性感知推断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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究二项逻辑混合模型的成分检测与标签恢复，属于离散选择与混合模型的计量方法，故归入离散选择。
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
二项逻辑混合模型中的信息差距与可行性感知推断
- 研究问题
- 研究二项逻辑混合模型中混合结构检测与标签恢复之间的信息差距：为何似然准则（如BIC）能检测出两个成分，却未必能恢复观测的标签归属。
- 方法与思路
- 作者从局部阶数角度分析观测数据证据与逐观测标签信息在成分分离度上的不同累积速率，提出两种可行性感知推断方法：带后验熵惩罚的可恢复性感知BIC，以及熵正则化估计量。
- 材料陈述的贡献
- 摘要称该信息差距是固定试验次数二项逻辑混合模型的内在性质，存在可检测但不可恢复的区域；所提方法可避免误导性的成分选择并改善后验标签概率的校准。
- 阅读关注点
- 应核对局部阶数论证的假设与推导、可检测但不可恢复区域的定义条件、两种方法的惩罚与正则化形式，以及数值实验的设计与评价指标。
- 阅读边界
- 仅依据arXiv预印本摘要，未读全文；这是预印本，不能据此声称已通过同行评审或期刊接收，具体定理、数据与数值结果均未说明。
原文摘要
This paper studies the information gap between mixture detection and label recovery in binomial logistic mixtures. Standard likelihood-based criteria such as the Bayesian information criterion (BIC) can detect the presence of two components, but this does not guarantee that the corresponding labels are recoverable. We show that this gap is intrinsic to binomial logistic mixtures with a fixed number of trials: observed-data evidence for mixture structure and per-observation information for label recovery have different local orders in the component separation, and only the former accumulates with the sample size. As a result, there exists a detectable-but-unrecoverable regime in which BIC selects two components while the posterior labels remain essentially uninformative. To address this issue, we propose two feasibility-aware inference procedures: a recoverability-aware BIC with a posterior-entropy penalty and an entropy-regularized estimator that mitigates the tendency of the maximum likelihood estimator to produce overly separated components and overly concentrated posterior responsibilities. Numerical experiments confirm the predicted gap and demonstrate that the proposed methods avoid misleading component selections and improve the calibration of posterior label probabilities.