Bayesian Poisson-Randomized Gamma Tensor Factorization with Application to International Trade Flows
贝叶斯泊松随机化伽马张量分解及国际贸易流应用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：摘要用共享低秩潜在因子结构刻画国际贸易的多维依赖，支持宏观因子方向；未明确提出传统面板或网络干扰模型。
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
贝叶斯泊松随机化伽马张量分解及国际贸易流应用
- 研究问题
- 如何对大量为零、正值连续且右尾较重的多维贸易流建模，同时允许不同切片的离散程度变化并刻画跨维度依赖？
- 方法与思路
- 作者在潜在泊松强度张量上设置低秩 CP 分解，结合条件伽马模型描述正值，并以变分与蒙特卡洛混合算法推断。
- 材料陈述的贡献
- 摘要称模型区分正值发生与规模，并借共享低秩结构汇聚信息；约六千万条贸易流应用展示出口国、进口国、产品及年份的联合依赖。
- 阅读关注点
- 应核对零值与正值的生成机制、切片参数和秩的选择，以及混合推断的近似误差、可扩展性和与既有方法的比较。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未提供比较指标，难以恢复联合依赖的表述不等同于已验证的普遍优势。
原文摘要
We study sparse semi-continuous tensor data with excess zeros, heavy right tails, and slice-specific dispersion. Such features arise naturally in monetary-valued multi-way data, such as international trade, where most exporter--importer--product--year cells are zero while positive values are continuous and highly variable. To model these data, we propose a Bayesian hierarchical tensor factorization model that places a low-rank CP structure on a latent Poisson rate tensor and couples it with a conditional Gamma model for positive outcomes, with rate parameters that can vary across slices within a mode. The model therefore separates the occurrence and magnitude of positive observations while borrowing strength across all tensor dimensions through a shared low-rank latent structure. To scale posterior inference to large arrays, we develop a hybrid variational--Monte Carlo algorithm that combines efficient coordinate ascent updates with a partially collapsed augmented-data sampler. Applied to approximately 60 million trade flows, the method surfaces multiway dependence across exporters, importers, products, and years that is difficult to recover from gravity-type or pairwise network analyses, which do not jointly model the product and temporal dimensions.