Enriched Stick-Breaking Processes for Functional Data
函数数据的富集折棒过程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：摘要讨论函数数据的贝叶斯非参数先验，曲线分布不直接等同于计量中的分位数与分布效应。
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
函数数据的富集折棒过程
- 研究问题
- 已知不同曲线属性所占比例的先验信息时，如何将其纳入函数数据分析？摘要关注现有方法难以表达属性比例的问题。
- 方法与思路
- 作者推广函数 Dirichlet 过程，以受约束随机过程生成函数原子，并设置折棒权重表达属性先验概率及相应不确定性。
- 材料陈述的贡献
- 摘要提出一类函数分布的折棒先验，使已知常见属性的曲线获得更丰富的表示，并讨论理论性质、后验计算及体温曲线应用。
- 阅读关注点
- 应核对曲线属性和约束过程如何定义、权重怎样对应目标概率，以及超先验设置和后验计算对先验误设的敏感性。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；理论性质的具体内容、计算细节和应用结果未给出，不能据此判断一致性或预测优势。
原文摘要
In many applications involving functional data, prior information is available about the proportion of curves having different attributes. It is not straightforward to include such information in existing procedures for functional data analysis. Generalizing the functional Dirichlet process (FDP), we propose a class of stick-breaking priors for distributions of functions. These priors incorporate functional atoms drawn from constrained stochastic processes. The stick-breaking weights are specified to allow user-specified prior probabilities for curve attributes, with hyperpriors accommodating uncertainty. Compared with the FDP, the random distribution is enriched for curves having attributes known to be common. Theoretical properties are considered, methods are developed for posterior computation, and the approach is illustrated using data on temperature curves in menstrual cycles.