Generalized Ewens-Pitman model for Bayesian clustering
用于贝叶斯聚类的广义Ewens–Pitman模型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：摘要讨论一般离散数据的贝叶斯聚类及遗传学应用，未明确对应所列经济计量方向。
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
用于贝叶斯聚类的广义Ewens–Pitman模型
- 研究问题
- 如何对遗传学等应用中的离散数据结构进行贝叶斯聚类，并使推断兼顾单位重新标记、未抽样单位和缺失数据？
- 方法与思路
- 作者提出具有重新标记等变性等性质的贝叶斯聚类方法，使用后验众数推断聚类，并由后验预测分布支持部分标签下的监督学习。
- 材料陈述的贡献
- 摘要称，方法不受未抽样单位干扰且能处理缺失数据，后验众数聚类在模拟和真实数据中表现良好，并支持部分聚类下的预测。
- 阅读关注点
- 应核对离散数据结构与先验模型、所述不变性质的条件、缺失数据如何处理，以及后验众数计算和监督学习评价方式。
- 阅读边界
- 仅依据稿件版本未注明的索引摘要；摘要未说明缺失机制、计算复杂度或比较指标，不能将示例表现推广到任意缺失数据。
原文摘要
We propose a Bayesian method for clustering from discrete data structures that commonly arise in genetics and other applications. This method is equivariant with respect to relabelling units; unsampled units do not interfere with sampled data; and missing data do not hinder inference. Cluster inference using the posterior mode performs well on simulated and real datasets, and the posterior predictive distribution enables supervised learning based on a partial clustering of the sample.