Improved Method to Estimating Parameters of a Poisson Hidden Markov Model Using Bayesian Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Expectation-Maximization (EM) is a popular method for estimating parameters of the Poisson-Hidden Markov Model (P-HMM). However, over-dispersion in comparison to the Poisson distribution remains a concern. This study developed a Bayesian method to Poisson count models. The study compares the Mean Square Errors and sufficiency of the EM to the Gibbs sampler technique using Akaike Information Criterion, Bayesian Information Criterion, and Deviance Information Criterion as model selectors. The Maximum Likelihood Estimates and Maximum a \textit{posteriori} were calculated using both simulated and real data in this case. The study's findings indicate that using any of the two approaches depends on the data type and the sample size. Whereas the Poisson Hidden Markov model, which uses the EM algorithm is preferred when using Zero-inflated data with a sample size  n ≤ 20 , the Bayesian Poisson-Hidden Markov Model, which uses a Gibbs sampler is better used for Heavy and Mixture data types irrespective of the sample size. The model predicted parameters of simulated data with remarkable accuracy and produced some unique statistical property results. This method is applicable to Poisson-hidden Markov models with homogeneous time series.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle