Bayesian Modeling of Sequential Discoveries
序贯新发现的贝叶斯建模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：摘要研究词语与物种的序贯发现及贝叶斯抽样模型，未明确对应经济时间序列、离散选择或其他所列细分领域。
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…
序贯新发现的贝叶斯建模
- 研究问题
- 对于词语或物种等带标签对象序列，如何灵活描述新类别不断出现的概率，以及随样本增加而变化的累积发现曲线？
- 方法与思路
- 作者直接指定下一次出现新发现的概率，构造贝叶斯物种抽样模型，并利用与逻辑回归的联系在部分模型中加入协变量。
- 材料陈述的贡献
- 摘要称研究了模型的渐近与有限样本性质，提出便于理论分析和计算的子类，其中包含与狄利克雷过程具有相同发现概率的模型。
- 阅读关注点
- 应核对发现概率设定如何对应完整序贯过程、模型适用的抽样结构，以及协变量引入和发现曲线预测的不确定性处理。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体概率形式与性质条件未说明，相同发现概率也不足以认定整个模型相同。
原文摘要
We aim at modeling the appearance of distinct tags in a sequence of labeled objects. Common examples of this type of data include words in a corpus or distinct species in a sample. These sequential discoveries are often summarized via accumulation curves, which count the number of distinct entities observed in an increasingly large set of objects. We propose a novel Bayesian method for species sampling modeling by directly specifying the probability of a new discovery, therefore, allowing for flexible specifications. The asymptotic behavior and finite sample properties of such an approach are extensively studied. Interestingly, our enlarged class of sequential processes includes highly tractable special cases. We present a subclass of models characterized by appealing theoretical and computational properties, including one that shares the same discovery probability with the Dirichlet process. Moreover, due to strong connections with logistic regression models, the latter subclass can naturally account for covariates. We finally test our proposal on both synthetic and real data, with special emphasis on a large fungal biodiversity study in Finland. Supplementary materials for this article are available online.