想象一排相邻位置的类别占比：前后往往有关，但经典模型常把每次分配比例当成彼此独立。María F. Gil–Leyva 等人在 Annals of Statistics 提出的 Markov stick-breaking process，就是让随机权重带上这种“短期记忆”。
stick-breaking 像反复掰一根长度为 1 的木棍：每次从余下部分取一段，作为某个类别的概率。它常用于贝叶斯非参数模型——模型不必预先固定潜在类别数。新工作让每次折断比例按马尔可夫过程生成：给定当前比例后，下一次不再依赖更早历史。这样，相邻权重不必各自为政。
论文给出了这类模型成为有效概率模型、具备充分表达能力的条件，并分析权重排序；还在温和条件下重新刻画了 Pitman–Yor process，并找出两个包含 Dirichlet、Pitman–Yor 和 geometric priors 的子类。摘要称相关分布结果可支持后验推断算法，但未披露具体算法或实证效果。