Multivariate Density Estimation by Bayesian Sequential Partitioning
贝叶斯序贯分割的多元密度估计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：摘要属于一般多元密度估计与分类方法，未明确研究经济分布效应等所列方向。
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…
关注这篇论文的作者
贝叶斯序贯分割的多元密度估计
- 研究问题
- 在中高维样本空间中，如何借助递归坐标分割构造灵活且计算可行的密度估计，并将其用于分类方法设计？
- 方法与思路
- 作者对序贯坐标分割下的分段常数密度设定先验，推导分割的闭式边际后验，并利用序贯重要性抽样进行分割推断。
- 材料陈述的贡献
- 摘要称，所提方法在模拟与真实数据示例中比核估计或直方图更准确，并展示据此构造的分类方法具有竞争力。
- 阅读关注点
- 应核对分割先验、复杂度限制、序贯重要性抽样的权重稳定性，以及密度和分类比较采用的维度、样本量与误差指标。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未提供误差数值或理论性能保证，示例比较不能外推至所有分布。
原文摘要
Consider a class of densities that are piecewise constant functions over partitions of the sample space defined by sequential coordinate partitioning. We introduce a prior distribution for a density in this function class and derive in closed form the marginal posterior distribution of the corresponding partition. A computationally efficient method, based on sequential importance sampling, is presented for the inference of the partition from this posterior distribution. Compared to traditional approaches such as the kernel method or the histogram, the Bayesian sequential partitioning (BSP) method proposed here is capable of providing much more accurate estimates when the sample space is of moderate to high dimension. We illustrate this by simulated as well as real data examples. The examples also demonstrate how BSP can be used to design new classification methods competitive with the state of the art.