对象的联合分布的贝叶斯学习
统计方法学
2013-03-05 v1
摘要
在广泛的应用领域中，人们对定义灵活的联合模型以处理具有多种测量尺度的数据越来越感兴趣，同时也允许复杂类型的数据，如函数、图像和文档。我们考虑一个非参数贝叶斯联合建模的通用框架，通过混合模型，该模型通过联合混合度量来整合不同数据类型之间的依赖性。混合度量被赋予了一种新颖的无限张量分解先验，该先验允许跨数据类型的聚类分配具有灵活的依赖性。无限张量分解先验被表述为stick-breaking过程的张量积。聚焦于对应于Parafac分解的方便特例，我们提供了基本理论来证明所提出先验的灵活性以及由此产生的渐近性质。聚焦于乘积核的无限张量分解混合，我们开发了一种新的吉布斯采样算法，该算法依赖于切片采样进行常规实现。通过模拟和实际数据应用，将该方法与基于狄利克雷过程和其他相关方法的替代联合混合模型进行了比较。
引用
@article{arxiv.1303.0449,
title = {Bayesian learning of joint distributions of objects},
author = {Anjishnu Banerjee and Jared Murray and David B. Dunson},
journal= {arXiv preprint arXiv:1303.0449},
year = {2013}
}
备注
Appearing in Proceedings of the 16th International Conference on Artificial Intelligence and Statistics (AISTATS) 2013, Scottsdale, AZ, USA