• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Statistics and computing >Sampling hierarchies of discrete random structures
【24h】

Sampling hierarchies of discrete random structures

机译：离散随机结构的采样层次结构

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Hierarchical normalized discrete random measures identify a general class of priors that is suited to flexibly learn how the distribution of a response variable changes across groups of observations. A special case widely used in practice is the hierarchical Dirichlet process. Although current theory on hierarchies of nonparametric priors yields all relevant tools for drawing posterior inference, their implementation comes at a high computational cost. We fill this gap by proposing an approximation for a general class of hierarchical processes, which leads to an efficient conditional Gibbs sampling algorithm. The key idea consists of a deterministic truncation of the underlying random probability measures leading to a finite dimensional approximation of the original prior law. We provide both empirical and theoretical support for such a procedure.
机译：分层规范化的离散随机测量标识了一般的前瞻，适合灵活地了解如何在观察组群体组中分布响应变量的分布。在实践中广泛使用的特殊情况是分层DireChlet过程。虽然非参数前像素的层次结构的当前理论产生了所有相关工具，但其实现以高计算成本。我们通过提出一般类别分层过程的近似来填补这个差距，这导致有效的条件Gibbs采样算法。关键思想由确定性的随机概率措施的确定性截断导致原始事先法律的有限尺寸近似。我们为这种程序提供了实证和理论支持。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号