从未知浓度参数的狄利克雷过程混合模型中进行抽样：大数据实现中的混合问题
摘要：从一般的分数-破碎狄利克雷过程混合模型中进行马尔科夫链蒙特卡洛采样的问题，集中参数为alpha。本文介绍了一种将Walker（2007）的切片采样方法和Papaspiliopoulos和Roberts（2008）的回顾性采样方法结合的Gibbs采样算法。我们的通用算法被实现为高效的开源C ++软件，作为R软件包提供，并基于Papaspiliopoulos（2008）和Yau等人（2011）的建议实施的阻塞策略。 我们讨论了在此类MCMC采样器中实现良好混合的困难，并研究了对初始化的敏感性。当添加了额外的层级以进行联合推断的Alpha时，我们还考虑了挑战。我们引入了一个新的标签交换移动，并计算边缘模型后验概率，以帮助攀登这些困难。我们的工作使用配置文件回归（Molitor等人，2010）应用程序进行说明，我们证明了对于合成和真实示例，具有良好的混合行为。
作者：David I. Hastie, Silvia Liverani and Sylvia Richardson
论文ID：1304.1778
分类：Computation
分类简称：stat.CO
提交时间：2014-02-21