Mixtures of Dirichlet Processes with Applications to Bayesian Nonparametric Problems
狄利克雷过程的混合及其贝叶斯非参数应用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。
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：摘要研究通用贝叶斯非参数理论，列举的回归与判别应用不足以确定所列领域细分。
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
狄利克雷过程的混合及其贝叶斯非参数应用
- 研究问题
- 当狄利克雷过程描述的是潜在参数的混合分布，而非直接观测变量的分布时，如何表达并计算随机概率测度的条件分布？
- 方法与思路
- 作者将直接观测情形下的后验更新结果推广到潜在混合分布，正式定义狄利克雷过程的混合，并推导其条件分布计算公式。
- 材料陈述的贡献
- 摘要称获得这类混合的若干性质，尤其是闭包性质，并展示在生物测定、判别、回归和混合分布问题中的应用。
- 阅读关注点
- 应区分狄利克雷过程的混合与具体观测核模型，核对闭包性质的准确含义、条件分布公式及各应用所需的模型设定。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；定理条件与计算公式未展示，不能推断所有混合模型均具有简单或易计算的后验。
原文摘要
A random process called the Dirichlet process whose sample functions are almost surely probability measures has been proposed by Ferguson as an approach to analyzing nonparametric problems from a Bayesian viewpoint. An important result obtained by Ferguson in this approach is that if observations are made on a random variable whose distribution is a random sample function of a Dirichlet process, then the conditional distribution of the random measure can be easily calculated, and is again a Dirichlet process. This paper extends Ferguson's result to cases where the random measure is a mixing distribution for a parameter which determines the distribution from which observations are made. The conditional distribution of the random measure, given the observations, is no longer that of a simple Dirichlet process, but can be described as being a mixture of Dirichlet processes. This paper gives a formal definition for these mixtures and develops several theorems about their properties, the most important of which is a closure property for such mixtures. Formulas for computing the conditional distribution are derived and applications to problems in bio-assay, discrimination, regression, and mixing distributions are given.