负二项随机伽玛马尔科夫过程用于异质超离散计数时间序列
内容提要
该文综述了基于Gamma-Poisson、负二项等贝叶斯非参数方法处理计数数据与动态系统，涵盖PRGDS、非平稳PGDS、无限泊松因子分析及动态关系数据学习等模型，通过MCMC推断捕捉稀疏性、爆发性和时变结构，在文本、音乐分析及计数矩阵分解中表现优于相关方法。
延伸解读
从静态到动态：非平稳PGDS的改进
文章指出，传统Poisson-Gamma动态系统（PGDS）在捕捉时间变化转换动态方面存在局限。为此，提出的非平稳PGDS模型通过Dirichlet Markov链对转换矩阵建模，从而学习随时间演变的非平稳依赖结构。实验表明，该模型在预测计数序列上优于相关模型，并能揭示动态转换矩阵。这提示读者，对于具有时变特性的计数数据，非平稳PGDS可能提供更准确的建模。
负二项过程在文本分类中的优势
文章提到，基于gamma-Poisson、gamma-negative binomial和beta-negative binomial过程构建的计数矩阵先验，可用于文本分类。实验证明，负二项式过程比Poisson过程更适合文本分类。这可能是因为负二项分布能更好地处理过离散的计数数据。对于文本分析任务，选择负二项过程作为先验可能提升分类性能。
动态关系数据学习的概率模型
文章介绍了一种用于动态关系数据学习的概率模型，利用伯努利泊松链接函数对网络节点的交互建模，潜在节点组成员资格服从伽马分布，并随马尔可夫过程演化。该方法能自动确定成员组数，计算复杂度随非零链接数增加，适用于大规模稀疏动态关系数据。批处理和在线Gibbs采样算法用于推断，在合成和实际数据集上表现与一流方法相当。
Q&A
负二项随机伽玛马尔科夫过程主要用来解决什么问题？
该过程用于处理异质超离散的计数时间序列数据，通过贝叶斯非参数方法捕捉稀疏性、爆发性和时变结构，并提升预测性能。
非平稳PGDS模型相比传统PGDS有什么改进？
非平稳PGDS通过复杂设计的Dirichlet Markov链对转换矩阵建模，能更好地预测计数序列，并学习随时间演变的非平稳依赖结构。
PRGDS模型有什么特点？
PRGDS是用于串行观测计数张量的模型，编码了对稀疏性和爆发性的强归纳偏差，并可用于转移学习。
在文本分类中，负二项式过程比泊松过程有什么优势？
实验证明负二项式过程比泊松过程更适合文本分类，能更好地处理计数矩阵的分解。
如何对动态关系数据进行建模？
利用伯努利泊松链接函数对网络节点的观测交互建模，并用伽马分布的非负潜在节点组成员资格描述底层网络结构，潜在成员组根据马尔可夫过程演化。
这些贝叶斯非参数模型通常使用什么推断方法？
通常使用MCMC推断算法，如Gibbs采样，进行高效计算，并处理稀疏性和时变结构。
