A Bayesian Reassessment of Nearest-Neighbor Classification
最近邻分类的贝叶斯重新评估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：摘要研究通用监督分类与贝叶斯计算，没有收益预测或其他所列领域的直接证据。
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…
最近邻分类的贝叶斯重新评估
- 研究问题
- 如何为确定性的最近邻分类建立完整概率模型，并在归一化常数难以计算时进行可靠的贝叶斯参数推断和分类？
- 方法与思路
- 作者重新建立最近邻分类的概率基础，评估伪似然与路径采样近似，并采用基于完美采样的MCMC及Gibbs近似。
- 材料陈述的贡献
- 摘要称给出了明确的概率模型和相应计算工具，并通过基准数据展示贝叶斯分类器表现及伪似然近似的局限。
- 阅读关注点
- 应核对概率模型为何定义完整、归一化常数的处理、完美采样的可行条件，以及Gibbs近似和伪似然造成的误差。
- 阅读边界
- 来源为稿件版本未注明的OpenAlex索引摘要；摘要未提供具体分类误差或计算成本，不能认定该分类器普遍优于其他方法。
原文摘要
The k-nearest-neighbor (knn) procedure is a well-known deterministic method used in supervised classification. This article proposes a reassessment of this approach as a statistical technique derived from a proper probabilistic model; in particular, we modify the assessment found in Holmes and Adams, and evaluated by Manocha and Girolami, where the underlying probabilistic model is not completely well defined. Once provided with a clear probabilistic basis for the knn procedure, we derive computational tools for Bayesian inference on the parameters of the corresponding model. In particular, we assess the difficulties inherent to both pseudo-likelihood and path sampling approximations of an intractable normalizing constant. We implement a correct MCMC sampler based on perfect sampling. When perfect sampling is not available, we use instead a Gibbs sampling approximation. Illustrations of the performance of the corresponding Bayesian classifier are provided for benchmark datasets, demonstrating in particular the limitations of the pseudo-likelihood approximation in this set up.