Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > stat > arXiv:1204.5243v2

帮助 | 高级搜索

统计学 > 方法论

arXiv:1204.5243v2 (stat)
[提交于 2012年4月24日 (v1) ,最后修订 2012年9月20日 (此版本, v2)]

标题: 排斥混合物

标题: Repulsive Mixtures

Authors:Francesca Petralia, Vinayak Rao, David B. Dunson
摘要: 离散混合模型通常用于密度估计和聚类。在对特定簇的参数进行推断时,当前的频率学方法和贝叶斯方法常常遇到问题,当簇过于接近而无法在科学上具有意义时尤其如此。目前的贝叶斯实践生成独立于公共先验的组件特定参数,这往往倾向于支持相似的组件,并经常导致分配大量概率给那些为了拟合数据而不需要的冗余组件。作为替代方案,我们建议从排斥过程生成组件,这将导致较少、分离更好且更易解释的簇。我们从理论上描述了这种排斥先验,并提出了一个马尔可夫链蒙特卡洛采样算法来进行后验计算。这些方法通过模拟数据以及真实数据集进行了说明。
摘要: Discrete mixture models are routinely used for density estimation and clustering. While conducting inferences on the cluster-specific parameters, current frequentist and Bayesian methods often encounter problems when clusters are placed too close together to be scientifically meaningful. Current Bayesian practice generates component-specific parameters independently from a common prior, which tends to favor similar components and often leads to substantial probability assigned to redundant components that are not needed to fit the data. As an alternative, we propose to generate components from a repulsive process, which leads to fewer, better separated and more interpretable clusters. We characterize this repulsive prior theoretically and propose a Markov chain Monte Carlo sampling algorithm for posterior computation. The methods are illustrated using simulated data as well as real datasets.
主题: 方法论 (stat.ME)
引用方式: arXiv:1204.5243 [stat.ME]
  (或者 arXiv:1204.5243v2 [stat.ME] 对于此版本)
  https://doi.org/10.48550/arXiv.1204.5243
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Francesca Petralia [查看电子邮件]
[v1] 星期二, 2012 年 4 月 24 日 00:46:57 UTC (112 KB)
[v2] 星期四, 2012 年 9 月 20 日 02:52:08 UTC (121 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
stat.ME
< 上一篇   |   下一篇 >
新的 | 最近的 | 2012-04
切换浏览方式为:
stat

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号