复合似然的贝叶斯推断及其在空间极值中的应用
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
本文提出了广义后验具有集中性,渐进正态性 (Bernstein-von Mises),A Laplace 近似正确,以及渐近正确的频率覆盖率的充分条件,并将其应用于广义似然的广义后验中,包括一般的伪似然,高斯马尔科夫随机场伪似然,完全观察的 Boltzmann 机器伪似然,Ising 模型伪似然,Cox 比例风险偏似然,以及基于中值的位置鲁棒推断的似然。此外,我们展示了如何使用我们的结果轻松建立指数族和广义线性模型的标准后验的渐进性质。
Jul, 2019
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
本文提出了一种新的算法,使用随机梯度变分推断方法和无偏估计对后验分布进行近似,实现了降低计算开销的贝叶斯合成似然,同时改善了现有相关似然无关变分推断技术的实现方式。这些新算法可以在参数和统计量的维度方面具有挑战性的情况下实施,相比传统的近似贝叶斯计算方法更为可行。
Aug, 2016
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
本文提出了一种用于没有解析似然函数的宇宙学工具的似然免费推断方法,它包括使用大规模渐近最优数据压缩来将数据空间的维度降低到仅每个参数的一个数字,并使用密度估计似然免费推断方法在宇宙学中首次应用于参数化数据和参数的联合分布的建模,此方法可同时进行参数推断和贝叶斯模型比较。
Jan, 2018
本文提出一种新的空间自适应局部 (常数) 似然估计方法,适用于广泛的非参数模型,包括高斯、泊松和二元反应模型,并建议一种新的选取程序参数的方法,同时对其优化性提出一些理论结果,并将此方法应用于分类问题的数值研究中,展示其在模拟和实际问题中的合理表现。
Dec, 2007
揭示了在复杂的数据生成过程中,余弦学推断变得越来越困难,因此近似贝叶斯计算提供了一种途径,可以在无法进行精确似然度计算时利用先验知识来探索后验分布。该研究在超新星余弦学中应用了 ABC 算法,恢复了一个准确的后验分布,即使样本中存在 Type IIP 超新星。
Jun, 2012
该研究论文介绍了一种新的意向充气抽样算法 (LISA),其使用并行计算来显著降低随机分割数据集的计算成本,并结合了抽样过的数据来研究贝叶斯加性回归树模型的全后验概率。
May, 2016