Hamiltonian ABC
本文提出一种基于序贯蒙特卡罗近似贝叶斯计算的方法,用于评估后验分布并推断动态模型的参数,可适用于多种生物系统的参数推断、灵敏度分析和模型选择,此方法比其他近似贝叶斯计算方法表现更好。
Jan, 2009
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
该论文提出了一种基于回归 ABC 和顺序 ABC 相结合的简单而有效的近似贝叶斯计算算法,该算法通过逐步学习一个能够用现有方法准确学习的辅助分布,然后在高斯联合分布的帮助下学习所需后验分布,该算法随着手头数据的变化自适应地改变模型复杂度,实验结果表明该方法快速、准确、易于使用。
Feb, 2019
这篇综述论文研究了近年来对原始 ABC 算法进行的各种改进和扩展,探讨了 ABC 方法在缺少可追踪度的似然问题中的解决方案,并且指出了它们存在的校准困难和不稳定性问题。
Jan, 2011
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