近似贝叶斯计算:非参数视角
介绍了一种基于机器学习的方法,通过非线性条件异方差回归和改进的重要性采样方法估计后验概率密度,相较于现有方法在统计遗传学和排队模型等领域计算负担减轻了不少。
Sep, 2008
本文介绍了 Beaumont(2002)引入的回归调整近似贝叶斯计算的渐近结果。结果表明,对于一个适当的带宽选择,回归调整将导致一个渐近正确量化不确定性的后验分布。此外,对于这样的带宽选择,我们可以实施重要性抽样算法以采样自后验分布,其接受概率随着数据样本大小的增加而趋近于 1。这比标准近似贝叶斯计算的结果更好,在那里,要想获得一个正确量化不确定性的后验分布,唯一的方法是选择一个更小的带宽,其中接受概率趋近于零,因此蒙特卡罗误差将占主导地位。
Sep, 2016
本章节在《近似贝叶斯计算手册》中发表,概述了两种估计不可计算似然性的方法,即基于模型根据统计量估计出的参数假设的贝叶斯人工似然法和使用一组约束来构建经验似然,或者使用近似方法来规避对模型的模拟。这两种方法的具体实施被展现在各种不同复杂度的模型中。
Mar, 2018
本文提出了一种基于贝叶斯优化 (Bayesian optimization) 和高斯过程 (Gaussian processes) 的 ABC (Approximate Bayesian computation) 后验分布估计方法,通过计算 ABC 后验密度的不确定性来定义损失函数,并选择下一个评估位置以最小化期望损失。实验表明,该方法通常比常见的 BO 策略产生更准确的近似。
Apr, 2017
本研究提出了一种利用高斯 Copula 逼近对近似贝叶斯计算(ABC)算法中的边缘调整策略进行改进,并将其扩展应用于高维问题的贝叶斯推断中的方法。
Apr, 2015
本文介绍了一类基于 ABC 思路的近似方法,着重于处理那些观测和参数似然不易求得的时间序列模型,并保持了原始统计模型的概率结构,为参数推断提供了一种分析近似偏差和适应计算方法的新途径。
Jan, 2014
本文探讨了基于回归密度估计技术的方法来近似似然函数,该方法可促进贝叶斯推断及频率学推断。该方法在推断特殊极端值问题中进行了实证研究,实现了贝叶斯推断和频率学推断。
Dec, 2012