贝叶斯非参数模型中非可交换先验的综述
机器学习
2012-11-21 v1 机器学习
摘要
依赖非参数过程将测度上的分布（如 Dirichlet 过程和 beta 过程）扩展为测度集合上的分布，这些集合通常由某个协变量空间中的值索引。当可交换性假设不成立，且我们希望模型能随一组协变量灵活变化时，此类模型是合适的先验。自 MacEachern [1] 形式化依赖非参数过程的概念以来，统计学和机器学习文献中已提出并使用了多种模型。许多这些模型表现出潜在的相似性，我们希望理解这些相似性有助于选择合适的先验、开发新模型并利用推断技术。
引用
@article{arxiv.1211.4798,
title = {A survey of non-exchangeable priors for Bayesian nonparametric models},
author = {Nicholas J. Foti and Sinead Williamson},
journal= {arXiv preprint arXiv:1211.4798},
year = {2012}
}