A Method for Combining Inference Across Related Nonparametric Bayesian Models
相关非参数贝叶斯模型之间的联合推断方法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：摘要聚焦通用非参数贝叶斯层级建模，没有所列领域细分的明确应用或研究对象。
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…
相关非参数贝叶斯模型之间的联合推断方法
- 研究问题
- 研究如何在相关非参数贝叶斯子模型之间借用信息，并处理层级结构中随机对象为无限维带来的建模问题。
- 方法与思路
- 作者讨论非参数层级模型的正式定义，在模型层引入回归，并为狄利克雷过程混合模型设计MCMC方案。
- 材料陈述的贡献
- 摘要称给出跨相关子模型共享信息的层级建模方式，并在狄利克雷过程混合这一特例中实现完整后验推断。
- 阅读关注点
- 应核对无限维层级的构造、模型层回归如何连接子模型，以及MCMC更新步骤和信息共享程度的设定。
- 阅读边界
- 仅据Crossref所载摘要；摘要未说明具体先验、后验性质或计算比较，不能把特例中的实现推广到所有非参数模型。
原文摘要
Summary We consider the problem of combining inference in related nonparametric Bayes models. Analogous to parametric hierarchical models, the hierarchical extension formalizes borrowing strength across the related submodels. In the nonparametric context, modelling is complicated by the fact that the random quantities over which we define the hierarchy are infinite dimensional. We discuss a formal definition of such a hierarchical model. The approach includes a regression at the level of the nonparametric model. For the special case of Dirichlet process mixtures, we develop a Markov chain Monte Carlo scheme to allow efficient implementation of full posterior inference in the given model.