Vertical Consensus Inference for High-Dimensional Random Partition
高维随机划分的纵向共识推断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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要讨论高维贝叶斯聚类、共识蒙特卡洛、最优传输与变分推断，属于统计方法学，未涉及所给微观、宏观或金融计量细分领域的文本依据。
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…
关注这篇论文的作者
高维随机划分的纵向共识推断
- 研究问题
- 摘要关注高维数据贝叶斯聚类中的维数灾难问题，即现有贝叶斯聚类方法在高维、含大量无信息维度时难以进行基于模型的随机划分推断。
- 方法与思路
- 作者提出纵向共识推断（VCI）：按变量将数据纵向切分为多个低维分片，对每个分片做后验推断，再用熵正则化 Wasserstein 重心合并分片后验；分片权重偏向给出有意义划分、簇大小较均衡且分片后验精确的分片。
- 材料陈述的贡献
- 摘要称 VCI 可解释为带广义贝叶斯先验的层次模型下后验的变分近似；低维实验中接近对全多元数据聚类的推断，高维且多无信息维度时提供了新的随机划分推断框架，并可推广到与维度无关的参数。
- 阅读关注点
- 应核对纵向分片的具体构造、熵正则化 Wasserstein 重心的定义与权重公式、变分近似结论的条件与证明、实验设置与对比方法，以及高维情形下是否给出频率学性质或理论保证。
- 阅读边界
- 仅凭摘要无法判断识别假设、定理条件、模拟与实证细节及相对优势；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
We review recently proposed Bayesian approaches for clustering high-dimensional data. After identifying the main limitations of available approaches, we introduce an alternative framework based on vertical consensus inference (VCI) to mitigate the curse of dimensionality in high-dimensional Bayesian clustering. VCI builds on the idea of consensus Monte Carlo by dividing the data into multiple shards (smaller subsets of variables), performing posterior inference on each shard, and then combining the shard-level posteriors to obtain a consensus posterior. The key distinction is that VCI splits the data vertically, producing vertical shards that retain the same number of observations but have lower dimensionality. We use an entropic regularized Wasserstein barycenter to define a consensus posterior. The shard-specific barycenter weights are constructed to favor shards that provide meaningful partitions, distinct from a trivial single cluster or all singleton clusters, favoring balanced cluster sizes and precise shard-specific posterior random partitions. We show that VCI can be interpreted as a variational approximation to the posterior under a hierarchical model with a generalized Bayes prior. For relatively low-dimensional problems, experiments suggest that VCI closely approximates inference based on clustering the entire multivariate data. For high-dimensional data and in the presence of many noninformative dimensions, VCI introduces a new framework for model-based and principled inference on random partitions. Although our focus here is on random partitions, VCI can be applied to any dimension-independent parameters and serves as a bridge to emerging areas in statistics such as consensus Monte Carlo, optimal transport, variational inference, and generalized Bayes.