Scalable Bayesian Nonparametric Clustering and Classification.
Scalable Bayesian Nonparametric Clustering and Classification.
复制标题
DOI：
10.1080/10618600.2019.1624366
复制
发表时间：
2020
期刊：
影响因子：
--
通讯作者：
Ji Y
中科院分区：
文献类型：
--
作者：
Ni Y;Müller P;Diesendruck M;Williamson S;Zhu Y;Ji Y
我们开发了一个可扩展的多步蒙特卡罗算法推理下的一大类非参数贝叶斯模型的聚类和分类。每一步都是“并行的”，可以使用相同的马尔可夫链蒙特卡罗采样器来实现。我们的方法的简单性和通用性使得推理适用于大型数据集的贝叶斯非参数混合模型。具体来说，我们应用的方法推断下的产品分区模型与回归协变量。我们展示了两个激励数据集的推理结果：一个大型的电子健康记录（EHR）和一个银行电话营销数据集。我们发现有趣的集群和竞争力的分类性能相对于其他广泛使用的竞争分类。本文的补充材料可在网上查阅。
We develop a scalable multi-step Monte Carlo algorithm for inference under a large class of nonparametric Bayesian models for clustering and classification. Each step is “embarrassingly parallel” and can be implemented using the same Markov chain Monte Carlo sampler. The simplicity and generality of our approach makes inference for a wide range of Bayesian nonparametric mixture models applicable to large datasets. Specifically, we apply the approach to inference under a product partition model with regression on covariates. We show results for inference with two motivating data sets: a large set of electronic health records (EHR) and a bank telemarketing dataset. We find interesting clusters and competitive classification performance relative to other widely used competing classifiers. Supplementary materials for this article are available online.
登录
查看更多内容
影响因子：
2.2
作者：
Dellaportas, P;Papageorgiou, I
通讯作者：
Papageorgiou, I
影响因子：
1.8
作者：
Argiento, Raffaele;Guglielmi, Alessandra;Pievatolo, Antonio
通讯作者：
Pievatolo, Antonio
影响因子：
5.7
作者：
Barrios, Ernesto;Lijoi, Antonio;Prunster, Igor
通讯作者：
Prunster, Igor
影响因子：
7.5
作者：
CORTES, C;VAPNIK, V
通讯作者：
VAPNIK, V
DOI：
10.1080/10618600.2013.856796
发表时间：
2014-10-02
影响因子：
2.4
作者：
Argiento, Raffaele;Cremaschi, Andrea;Guglielmi, Alessandra
通讯作者：
Guglielmi, Alessandra