Order-Based Dependent Dirichlet Processes
基于排序的依赖 Dirichlet 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：摘要明确列出时间序列中的随机波动率建模应用，支持波动率与时间序列两个方向。
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
基于排序的依赖 Dirichlet 过程
- 研究问题
- 如何构造随连续协变量变化的贝叶斯非参数分布，同时保留各协变量取值处的 Dirichlet 过程及可解析的相关结构？
- 方法与思路
- 作者通过排序棒折断表示中构建权重的随机变量引入协变量依赖，借助点过程实现排序，并提出两类主要构造。
- 材料陈述的贡献
- 摘要称推导了不同协变量处随机分布的相关性，提出计算方法，并通过过程混合应用于回归、随机波动率和空间建模。
- 阅读关注点
- 应核对排序机制、边际 Dirichlet 过程性质和相关函数推导，以及混合模型的计算步骤与随机波动率应用中的设定。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；计算效率和应用表现没有具体结果，不能推断其优于已有波动率模型。
原文摘要
In this article we propose a new framework for Bayesian nonparametric modeling with continuous covariates. In particular, we allow the nonparametric distribution to depend on covariates through ordering the random variables building the weights in the stick-breaking representation. We focus mostly on the class of random distributions that induces a Dirichlet process at each covariate value. We derive the correlation between distributions at different covariate values and use a point process to implement a practically useful type of ordering. Two main constructions with analytically known correlation structures are proposed. Practical and efficient computational methods are introduced. We apply our framework, through mixtures of these processes, to regression modeling, the modeling of stochastic volatility in time series data, and spatial geostatistical modeling.