Exact inference via quasi-conjugacy in two-parameter Poisson–Dirichlet hidden Markov models
双参数泊松–狄利克雷隐马尔可夫模型的准共轭精确推断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：摘要讨论潜在分布和无标签分组的动态推断，社会网络应用未明确使用网络关系，亦无明确宏观时间序列背景。
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…
双参数泊松–狄利克雷隐马尔可夫模型的准共轭精确推断
- 研究问题
- 仅观察离散时点的无标签分组汇总时，如何推断随时间演化的潜在概率分布，并预测未来或插值时点的分组结构？
- 方法与思路
- 作者结合泊松–狄利克雷扩散与分组上的纯死亡过程对偶，以及编码新数据影响的凝并算子，构造前向和后向递归更新。
- 材料陈述的贡献
- 摘要称可计算任意时点潜在状态的精确后验和分组预测分布，无需 MCMC 或序贯蒙特卡洛，并报告相对粒子滤波的计算收益。
- 阅读关注点
- 应核对交换抽样机制、准共轭结构与递归状态规模，区分后验精确性和数值实现误差，并检查粒子滤波比较的设置。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，未核对全文或刊本变化；摘要未说明递归复杂度与可处理规模，精确推断限于所设潜在过程和观测模型。
原文摘要
We introduce a nonparametric model for inferring time-evolving, unobserved probability distributions from discrete-time data consisting of unlabelled partitions. The latent process is a two-parameter Poisson–Dirichlet diffusion, and observations arise via exchangeable sampling. Applications include social and genetic data where only aggregate clustering summaries are observed.To address the intractable likelihood, we develop a tractable inferential framework that avoids label enumeration and direct simulation of the latent state. We exploit a duality between the diffusion and a pure-death process on partitions, together with coagulation operators that encode the effect of new data. These yield closed-form, recursive updates for forward and backward inference.We compute exact posterior distributions of the latent state at arbitrary times and predictive distributions of future or interpolated partitions. This enables online and offline inference and forecasting with full uncertainty quantification, bypassing MCMC and sequential Monte Carlo. Compared to particle filtering, our method achieves higher accuracy, lower variance, and substantial computational gains. We illustrate the methodology with synthetic experiments and a social network application, recovering interpretable patterns in time-varying heterozygosity.