Nonparametric priors with full-range borrowing of information
支持全范围信息借用的非参数先验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：摘要属于通用贝叶斯非参数先验与信息借用方法，未明确对应所列领域细分。
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…
支持全范围信息借用的非参数先验
- 研究问题
- 异质数据之间的信息借用如何允许正、负两种相关方向，而不局限于多数现有依赖非参数先验的非负相关结构？
- 方法与思路
- 作者提出称为 hyper-tie 的依赖概念，构造能够产生任意符号相关性的依赖非参数先验，并研究分布性质与后验算法。
- 材料陈述的贡献
- 摘要称新先验扩展了信息借用的灵活性，给出先验和后验性质及推断算法，模拟与真实数据示例中预测和聚类优于备选方法。
- 阅读关注点
- 应核对相关性针对的随机对象、hyper-tie 的定义和可实现范围，以及后验计算、预测与聚类比较的基准和设置。
- 阅读边界
- 所给 Crossref 摘要未提供具体先验构造、计算条件或数值结果；示例中的预测与聚类优势不能外推至所有异质数据。
原文摘要
Summary Modelling of the dependence structure across heterogeneous data is crucial for Bayesian inference, since it directly impacts the borrowing of information. Despite extensive advances over the past two decades, most available methods only allow for nonnegative correlations. We derive a new class of dependent nonparametric priors that can induce correlations of any sign, thus introducing a new and more flexible idea of borrowing of information. This is achieved thanks to a novel concept, which we term hyper-tie, and represents a direct and simple measure of dependence. We investigate prior and posterior distributional properties of the model and develop algorithms to perform posterior inference. Illustrative examples on simulated and real data show that the proposed method outperforms alternatives in terms of prediction and clustering.