Normalized random measures driven by increasing additive processes
由递增加性过程驱动的归一化随机测度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：摘要涉及通用贝叶斯非参数先验，未明确研究经济分布效应或其他所列细分问题。
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…
由递增加性过程驱动的归一化随机测度
- 研究问题
- 如何构造一类非参数贝叶斯先验，并研究随机分布均值在先验与后验下的分布，以支持完整的贝叶斯分析？
- 方法与思路
- 作者将递增加性过程驱动的随机测度归一化，形成随机概率分布函数，并通过引入潜变量开展贝叶斯分析。
- 材料陈述的贡献
- 摘要称提出了新的非参数先验类，给出分布均值的先验与后验结果；该类包含常用的 Dirichlet 过程混合模型。
- 阅读关注点
- 应核对随机测度归一化所需条件、潜变量的具体作用、均值分布结果的适用范围，以及后验计算的实现方式。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出先验构造的具体条件、后验计算细节或不同版本的变化。
原文摘要
This paper introduces and studies a new class of nonparametric prior distributions. Random probability distribution functions are constructed via normalization of random measures driven by increasing additive processes. In particular, we present results for the distribution of means under both prior and posterior conditions and, via the use of strategic latent variables, undertake a full Bayesian analysis. Our class of priors includes the well-known and widely used mixture of a Dirichlet process.