Normalised latent measure factor models
归一化潜在测度因子模型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：摘要明确建模和比较多个概率分布，并应用于学生成绩及个人收入分布。
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
归一化潜在测度因子模型
- 研究问题
- 如何在贝叶斯非参数框架中借助共享潜在特征建模和比较多个概率分布，并处理潜在测度及其权重表示的不可识别性？
- 方法与思路
- 作者基于依赖归一化随机测度，以潜在测度和正随机权重表示多个分布，再用矩阵李群上的黎曼优化后处理后验样本。
- 材料陈述的贡献
- 摘要称提出分布比较模型及实现可识别推断的后处理方法，并在模拟、学生成绩与加州个人收入数据中展示可解释的后验结果。
- 阅读关注点
- 应核对潜在测度组合与归一化的定义、不可识别变换及后处理标准，并确认所得可识别推断的含义和收入分布比较内容。
- 阅读边界
- 仅据所给 Crossref 摘要；后处理的唯一性、先验敏感性及具体应用结果未说明，不能将可识别推断直接等同于经济结构识别。
原文摘要
Abstract We propose a methodology for modelling and comparing probability distributions within a Bayesian nonparametric framework. Building on dependent normalised random measures, we consider a prior distribution for a collection of discrete random measures where each measure is a linear combination of a set of latent measures, interpretable as characteristic traits shared by different distributions, with positive random weights. The model is nonidentified and a method for postprocessing posterior samples to achieve identified inference is developed. This uses Riemannian optimisation to solve a nontrivial optimisation problem over a Lie group of matrices. The effectiveness of our approach is validated on simulated data and in two applications to two real-world data sets: school student test scores and personal incomes in California. Our approach leads to interesting insights for populations and easily interpretable posterior inference.