Bayesian Cluster Weighted Gaussian Models
贝叶斯聚类加权高斯模型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：摘要属于贝叶斯混合模型与收缩先验的方法论研究，未涉及所给微观、宏观或金融领域细分的具体经济问题，故不选择任何领域细分。
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…
贝叶斯聚类加权高斯模型
- 研究问题
- 摘要称，研究如何在正态线性回归混合模型中同时刻画响应变量与协变量分布的异质性，并识别来自回归线性预测结构与协变量协方差结构的潜在信号，同时估计聚类数目。
- 方法与思路
- 作者提出聚类加权高斯混合模型，为预测变量分布引入额外高斯随机成分；对回归系数用 lasso 收缩先验，对协方差矩阵用 graphical-lasso 收缩先验；采用全贝叶斯方法，把混合成分数视为随机变量，用跨维 telescoping sampler 估计聚类数，并考虑过拟合混合模型与信息准则等替代方案。
- 材料陈述的贡献
- 摘要称提出了一类新的贝叶斯混合模型，可同时涵盖响应与协变量的异质性，并通过收缩先验分别捕捉回归结构与协方差结构中的信号；摘要还称与 EM 实现、混合回归和专家混合模型进行了比较，并用模拟研究与一个生物医学数据集展示方法。
- 阅读关注点
- 阅读全文时应核对：聚类加权模型的具体识别与可解释性条件、先验超参数设定、telescoping sampler 的收敛与标签切换处理、聚类数估计的校准表现，以及模拟与生物医学数据中比较结果的具体指标和适用范围。
- 阅读边界
- 仅依据 arXiv 预印本摘要，不能声称已同行评审或期刊接收；摘要未说明识别假设、样本量、具体数值结果、比较的公平性与代码可得性，也未说明生物医学数据的来源与外部有效性。
原文摘要
We introduce a novel class of Bayesian mixtures for normal linear regression models which incorporates a further Gaussian random component for the distribution of the predictor variables. The proposed cluster-weighted model aims to encompass potential heterogeneity in the distribution of the response variable as well as in the multivariate distribution of the covariates for detecting signals relevant to the underlying latent structure. Of particular interest are potential signals originating from: (i) the linear predictor structures of the regression models and (ii) the covariance structures of the covariates. We model these two components using a lasso shrinkage prior for the regression coefficients and a graphical-lasso shrinkage prior for the covariance matrices. A fully Bayesian approach is followed for estimating the number of clusters, by treating the number of mixture components as random and implementing a trans-dimensional telescoping sampler. Alternative Bayesian approaches based on overfitting mixture models or using information criteria to select the number of components are also considered. The proposed method is compared against EM type implementation, mixtures of regressions and mixtures of experts. The method is illustrated using a set of simulation studies and a biomedical dataset.