Pairwise likelihood methods for inference in image models
图像模型推断的成对似然方法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：摘要针对空间图像与随机集模型，空间相关性本身不足以归入经济网络、干扰或其他所列方向。
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
图像模型推断的成对似然方法
- 研究问题
- 当典型规模图像的完整似然难以计算时，能否利用小规模数据子集的似然估计空间随机集模型参数，并合理选择权重？
- 方法与思路
- 作者研究基于小规模子集似然的方法，在估计函数理论框架下构造加权版本，并对布尔模型和随机场游程集进行模拟。
- 材料陈述的贡献
- 摘要称，估计函数框架导出基本方法的加权形式，报告若干模型变体的模拟研究，并以石南植物空间分布数据展示应用。
- 阅读关注点
- 应核对子集与配对的选择、权重设计准则、空间依赖如何进入推断，以及计算成本和估计精度的模拟比较。
- 阅读边界
- 摘要未说明权重公式、渐近条件或模拟结论，不能判断加权方法是否更优。材料为版本未注明的OpenAlex索引摘要。
原文摘要
We consider parameter estimation for certain random set models for image data. For the spatial models considered here, a full likelihood-based approach to this problem is often difficult, since the likelihood generally cannot be computed for images of typical size. This has motivated the consideration of various less computationally demanding parameter estimation techniques. We discuss one method based on likelihoods for small subsets of the data. Consideration of the basic technique within the framework of the theory of estimating functions leads to a weighted version of the basic approach. Results of a simulation study are reported for some variants of the Boolean model and excursion sets of random fields. The methods are illustrated for some data on the spatial incidence of heather.