抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
Neyman-Scottプロセス(NSP)は,時間または空間で点のクラスタを生成する点プロセスモデルである。それらは,ニューラルスパイク列から文書ストリームまでの広範囲の現象に対する自然モデルである。クラスタリング特性は二重確率的定式化により達成され,まず,Poisson過程から一組の潜在事象が引き出される。次に,各潜在事象は,他のPoisson過程に従って,一組の観測データ点を生成する。この構築は,潜在事象の数(すなわちクラスタ)がランダム変数である,Dirichletプロセス混合モデル(DPMM)のようなBayesノンパラメトリック混合モデルと類似しているが,点プロセス定式化は,NSPを特に時空データのモデル化によく適合させる。DPMMのために多くの特殊化アルゴリズムが開発されているが,比較的少ない研究は,NSPにおける推論に焦点を合わせている。ここでは,有限混合モデル(MFMM)の混合物と呼ばれるBayes混合モデルの3番目のクラスである重要なリンクを持つ,NSPとDPMMの間の新しい接続を示した。この接続を劣化させるため,DPMMに対する標準崩壊Gibbsサンプリングアルゴリズムを適用し,NSPモデルのスケーラブルBayes推定を可能にした。神経スパイク列における配列検出および文書ストリームにおけるイベント検出を含む多様なアプリケーションに対するNeyman-Scottプロセスの可能性を実証した。【JST・京大機械翻訳】