Bibliografie

(eng): The Dirichlet process prior (DPP) is used to model an unknown probability distribution, F: This eliminates the need for parametric model assumptions, providing robustness in problems where there is significant model uncertainty. Two important parametric techniques for learning are extended to this non-parametric context for the first time. These are (i) sequential stopping, which proposes an optimal stopping time for online learning of F using i.i.d. sampling; and (ii) stabilized forgetting, which updates the DPP in response to changes in F; but without the need for a formal transition model. In each case, a practical and highly tractable algorithm is revealed, and simulation studies are reported.

(cze): Dirichletův proces se používá pro modelování neznámého rozložení F. To umožňuje se vyhnout předpokladu o jejím parametrickém rozlišení a zajišťuje odolnost v úlohách s vysokou neurčitostí. Článek rozšiřuje použití dvou technik známých z parametrického odhadování do neparametrického kontextu. Konkrétně (i) průběžné zastavování volící okamžik zastavení průběžného odhadování F z nezávislých vzorků; (ii) stabilizované zapomínání, které respektuje pomalé časové změny F bez jejich podrobnějšího modelování. V obou případech je navrženo algoritmické řešení a jeho chování je ilustrováno simulačními příklady.