Clustering consistency with Dirichlet process mixtures
Dirichlet 过程混合模型的聚类一致性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：摘要研究贝叶斯混合模型的簇数一致性，没有所列计量领域细分的直接应用或结构依据。
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
Dirichlet 过程混合模型的聚类一致性
- 研究问题
- 当数据来自有限混合分布时，Dirichlet 过程混合模型能否一致恢复未知簇数，集中参数的先验如何影响这一性质？
- 方法与思路
- 作者给 Dirichlet 过程的集中参数设置先验，研究完全贝叶斯自适应下簇数后验，并考察不同混合似然核。
- 材料陈述的贡献
- 摘要称，对某类有限混合分布，在集中参数先验满足相应条件时可获得簇数一致性，区别于固定集中参数下的既有不一致结论。
- 阅读关注点
- 应核对簇数的定义、有限混合分布类别、似然核和先验限制，并区分簇数后验一致性与密度估计一致性。
- 阅读边界
- 仅据所给 Crossref 摘要；允许的混合类别与先验条件未列出，不能认为任意集中参数先验都能保证簇数一致性。
原文摘要
Summary Dirichlet process mixtures are flexible nonparametric models, particularly suited to density estimation and probabilistic clustering. In this work we study the posterior distribution induced by Dirichlet process mixtures as the sample size increases, and more specifically focus on consistency for the unknown number of clusters when the observed data are generated from a finite mixture. Crucially, we consider the situation where a prior is placed on the concentration parameter of the underlying Dirichlet process. Previous findings in the literature suggest that Dirichlet process mixtures are typically not consistent for the number of clusters if the concentration parameter is held fixed and data come from a finite mixture. Here we show that consistency for the number of clusters can be achieved if the concentration parameter is adapted in a fully Bayesian way, as commonly done in practice. Our results are derived for data coming from a class of finite mixtures, with mild assumptions on the prior for the concentration parameter and for a variety of choices of likelihood kernels for the mixture.