无似然推断的期望传递
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
使用基于概率神经模拟器网络的近似贝叶斯计算方法,通过学习模拟数据的合成似然函数,自适应选择模拟操作,并利用获取函数对不确定性进行建模,无需事先定义拒绝阈值或距离函数,实现模拟容易应用于高维问题的准确高效的推断。
May, 2018
本文研究了期望传播方法在广义线性模型下的渐近特性,并通过自由概率理论提出了一种计算复杂度更低的方法,对于具有渐近自由特性的数据矩阵可以有效应用于微阵列数据的基因选择问题。
Jan, 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
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