Datensatz

DATENSATZ AKTIONEN

Dieser Datensatz wurde verworfen!DetailsÜbersicht

Verworfen

Vortrag

MCMC inference in (Conditionally) Conjugate Dirichlet Process Gaussian Mixture Models

MPG-Autoren

/persons/resource/persons84156

Rasmussen, CE
Department Empirical Inference, Max Planck Institute for Biological Cybernetics, Max Planck Society;

/persons/resource/persons83939

Görür, D
Department Empirical Inference, Max Planck Institute for Biological Cybernetics, Max Planck Society;

Externe Ressourcen

Es sind keine externen Ressourcen hinterlegt

Volltexte (beschränkter Zugriff)

Für Ihren IP-Bereich sind aktuell keine Volltexte freigegeben.

Volltexte (frei zugänglich)

Es sind keine frei zugänglichen Volltexte in PuRe verfügbar

Ergänzendes Material (frei zugänglich)

Es sind keine frei zugänglichen Ergänzenden Materialien verfügbar

Zitation

Rasmussen, C., & Görür, D. (2006). MCMC inference in (Conditionally) Conjugate Dirichlet Process Gaussian Mixture Models. Talk presented at ICML Workshop on Learning with Nonparametric Bayesian Methods 2006. Pittsburgh, PA, USA.

Zusammenfassung

We compare the predictive accuracy of the Dirichlet Process Gaussian mixture models using conjugate and conditionally conjugate priors and show that better density models result from using the wider class of priors. We explore several MCMC schemes exploiting conditional conjugacy and show their computational merits on several multidimensional density estimation problems.