具有未知分量数的过拟合贝叶斯因子分析器混合模型

过拟合贝叶斯混合模型的最新进展为推断异质数据集中的潜在簇数和模型参数提供了一种可靠且直接的方法。证明了此类框架在聚类相关高维数据中的适用性。为此，引入了过拟合因子分析器混合模型，假设因子数量固定。使用马尔可夫链蒙特卡罗(MCMC)采样器结合先验并行回火方案来估计模型参数的后验分布。使用信息准则估计最优因子数。与标签切换问题相关的可识别性问题通过重标记算法对模拟MCMC样本进行后处理来解决。该方法通过广泛的模拟研究，针对用于因子分析器混合模型最大似然估计的最先进软件进行了基准测试。最后，该方法的适用性在公开可用数据中得以说明。