Bayesian curve fitting using multivariate normal mixtures
利用多元正态混合进行贝叶斯曲线拟合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：摘要研究通用贝叶斯回归平滑，未明确涉及分位数、因果效应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…
关注这篇论文的作者
利用多元正态混合进行贝叶斯曲线拟合
- 研究问题
- 如何通过灵活的联合密度模型开展回归平滑与曲线拟合，并同时处理多元平滑、参数估计及回归函数的不确定性？
- 方法与思路
- 作者以 Dirichlet 混合模型估计多维密度，将条件预测分布的均值作为回归函数，并采用多维 Markov 链模拟计算。
- 材料陈述的贡献
- 摘要称所得贝叶斯回归函数具有类似广义核回归的特征，同时在统一预测推断框架中处理平滑、参数和函数不确定性。
- 阅读关注点
- 应核对联合混合模型如何产生条件预测均值、先验及计算方案如何设定，以及回归函数不确定性的具体表达与评估。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；未说明理论收敛性质、计算表现或实证比较，不能据此认定优于核回归方法。
原文摘要
Problems of regression smoothing and curve fitting are addressed via predictive inference in a flexible class of mixture models. Multidimensional density estimation using Dirichlet mixture models provides the theoretical basis for semi-parametric regression methods in which fitted regression functions may be deduced as means of conditional predictive distributions. These Bayesian regression functions have features similar to generalised kernel regression estimates, but the formal analysis addresses problems of multivariate smoothing, parameter estimation, and the assessment of uncertainties about regression functions naturally. Computations are based on multidimensional versions of existing Markov chain simulation analysis of univariate Dirichlet mixture models.