Phân chia que và các độ đo ngẫu nhiên

Phân chia que cung cấp một công thức rõ ràng để xây dựng các độ đo rời rạc ngẫu nhiên làm nền tảng cho các tiên nghiệm phi tham số Bayes, giúp chúng có thể mô phỏng và tính toán được.

Definition

Một cấu trúc phân chia que xây dựng một độ đo xác suất rời rạc ngẫu nhiên bằng cách liên tiếp bẻ gãy các phần của một que có độ dài đơn vị để tạo thành các trọng số và gán cho mỗi trọng số một vị trí được rút ra từ một độ đo cơ sở, cung cấp một biểu diễn rõ ràng của các tiên nghiệm phi tham số như quá trình Dirichlet.

Scope

Chủ đề này bao gồm cấu trúc phân chia que của Sethuraman cho quá trình Dirichlet, sự phân bố trọng số thu được, các khái quát hóa như quá trình Pitman-Yor và các tiên nghiệm phân chia que khác, các độ đo hoàn toàn ngẫu nhiên, và các thuật toán cắt cụt và lấy mẫu lát cắt mà các biểu diễn này cho phép.

Core questions

• Phân chia que xây dựng các trọng số của quá trình Dirichlet như thế nào?
• Pitman-Yor và các tiên nghiệm phân chia que khác khái quát hóa cấu trúc này như thế nào?
• Các độ đo hoàn toàn ngẫu nhiên là gì và chúng tạo ra các tiên nghiệm phi tham số như thế nào?
• Cắt cụt và lấy mẫu lát cắt khai thác các biểu diễn này để suy luận như thế nào?

Key concepts

• cấu trúc phân chia que
• phân bố GEM
• quá trình Pitman-Yor
• độ đo hoàn toàn ngẫu nhiên
• cắt cụt
• lấy mẫu lát cắt
• nguyên tử và trọng số

Key theories

Biểu diễn phân chia que

Sethuraman đã chỉ ra rằng quá trình Dirichlet có thể được viết dưới dạng tổng trọng số vô hạn của các khối điểm, với các trọng số được hình thành bằng cách phân chia que độc lập theo phân bố Beta, làm cho tiên nghiệm trở nên rõ ràng và có thể mô phỏng được.

Suy luận phân chia que

Các phương pháp Gibbs cắt cụt và lấy mẫu lát cắt được xây dựng trên dạng phân chia que cung cấp các thuật toán tổng quát để suy luận hậu nghiệm dưới các lớp rộng của các tiên nghiệm phân chia que.

Clinical relevance

Các biểu diễn phân chia que là nền tảng cho các thuật toán thực tế để điều chỉnh các mô hình hỗn hợp và phân cụm phi tham số, cho phép sử dụng chúng trong genomics, mô hình chủ đề và các ứng dụng quy mô lớn khác.

History

Cấu trúc phân chia que năm 1994 của Sethuraman đã mang lại cho quá trình Dirichlet một dạng rõ ràng, có thể tính toán được. Các phương pháp lấy mẫu năm 2001 của Ishwaran và James cùng với sự khái quát hóa Pitman-Yor đã mở rộng điều này thành một họ rộng các tiên nghiệm phân chia que, vốn là trung tâm của tính toán Bayes phi tham số hiện đại.

Key figures

• Jayaram Sethuraman
• Hemant Ishwaran
• Lancelot James
• Jim Pitman

Seminal works

• sethuraman1994
• ishwaran2001

Frequently asked questions

Tại sao cấu trúc phân chia que lại hữu ích?

Nó biến một tiên nghiệm trừu tượng trên các phân bố thành một tổng rõ ràng, có thể mô phỏng được của các khối điểm có trọng số, điều này giúp có thể rút mẫu từ tiên nghiệm và thiết kế các bộ lấy mẫu Gibbs và lát cắt để suy luận hậu nghiệm.