Robust machine learning algorithms for text analysis
用于文本分析的稳健机器学习算法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：摘要核心是文本主题模型的不识别与先验敏感性，货币政策应用不足以对应所列宏观细分。
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…
用于文本分析的稳健机器学习算法
- 研究问题
- 潜在狄利克雷分配模型的参数不识别会使文本分析结论多大程度依赖先验？如何报告目标函数后验均值随先验变化的范围？
- 方法与思路
- 作者刻画目标函数后验均值的先验敏感性，并提出两种算法，通过词项—文档频率矩阵的多个非负矩阵分解寻找目标函数极值。
- 材料陈述的贡献
- 摘要称，论文揭示该模型参数不识别，提供报告先验变化影响范围的算法，并重新分析美国货币政策讨论中透明度与沟通结构的关系。
- 阅读关注点
- 应核对不识别的具体含义、允许变化的先验集合、非负矩阵分解如何覆盖目标范围，以及算法极值与理论界限之间的关系。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断算法是否精确达到所有界限、计算误差及应用结论的变化；不能推广至全部文本分析模型。
原文摘要
We study the Latent Dirichlet Allocation model, a popular Bayesian algorithm for text analysis. We show that the model's parameters are not identified, which suggests that the choice of prior matters. We characterize the range of values that the posterior mean of a given functional of the model's parameters can attain in response to a change in the prior, and we suggest two algorithms that report this range. Both of our algorithms rely on obtaining multiple Nonnegative Matrix Factorizations of either the posterior draws of the corpus' population term‐document frequency matrix or of its maximum likelihood estimator. The key idea is to maximize/minimize the functional of interest over all these nonnegative matrix factorizations. To illustrate the applicability of our results, we revisit recent work studying the effects of increased transparency on the communication structure of monetary policy discussions in the United States.