Predicting the Conditional Probability of Discovering a New Class
发现新类别的条件概率预测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：摘要研究物种或类别发现概率及基因测序应用，不能据一般预测术语归入宏观或金融预测。
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
发现新类别的条件概率预测
- 研究问题
- 对于由互不重叠类别组成的总体，如何预测进一步抽样发现新类别的随机条件概率，并量化预测的不确定性？
- 方法与思路
- 作者在类别计数服从各自速率的 Poisson 过程模型中分析发现概率，研究矩估计并提出条件非参数极大似然方法。
- 材料陈述的贡献
- 摘要称，建立发现概率的渐近正态性，给出 Good–Toulmin 预测量的矩估计与经验贝叶斯解释，并支持区间构造。
- 阅读关注点
- 应核对预测时点和条件信息的定义、Poisson 与多项模型之间的区别，以及可识别部分和区间构造所需条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；多项模型中的无偏近似仅针对可识别部分，具体区间表现与应用数值未说明。
原文摘要
Consider a population comprising disjoint classes. An important problem arising from various fields is prediction of the random conditional probability of discovering a new class. The asymptotic normality of the discovery probability is established in a Poisson model, where the number of individuals from each class is a Poisson process with a class-specific rate. A new derivation is presented for the well-known Good–Toulmin predictor as a moment-based estimator for the asymptotic limit of the discovery probability. The Good–Toulmin predictor is also shown to be a nonparametric empirical Bayes estimator for the expectation of the discovery probability given the rates of the Poisson processes and an approximation to an unbiased estimator only for the identifiable part of the expectation of the discovery probability in a multinomial model. The properties of the moment-based estimator are investigated so that confidence and prediction intervals can be constructed. The Good–Toulmin predictor and the discovery probability are shown to have a nonnegative correlation. A conditional nonparametric maximum likelihood estimator is developed as an alternative to the moment-based estimator. As an application, the methods are used to predict the probability of discovering a new gene from expressed sequence tags in a genomic sequencing experiment.