基于逻辑回归的比例估计方法作为参数统计推断的替代方法,以更丰富的总结统计信息来消除假设先验和卡方问题。
Nov, 2016
提出了一种基于核算子特征函数的密度比估计器,避免了显式降维步骤,可以更好地反映数据的几何结构,同时可扩展应用于极端高维下的似然函数估计问题。
Apr, 2014
基于似然比的推理原则重新考虑,提出了使用似然比构建任意时间有效的置信序列方法,适用于具有良好似然度的问题,而且结果保持模型无关的预定覆盖率;同时,研究了如何选择最佳的估计器序列以及与在线凸优化算法(例如 Follow-the-Regularized-Leader)的关联,提出了一种去偏的重新加权方案,可用于非参数设置,并通过非渐近分析确定了广义线性模型中的置信集大小,并在广义线性赌博机问题、生存分析和带有不同加性噪声分布的赌博机上展示了方法的实际优势。
Nov, 2023
该研究探讨了两种不需要概率似然函数的方法来处理具有随机模拟器模型的参数推断问题,分别是通过分类器学习隐含的密度比例和构建条件分布进行参数后验的灵活神经密度估计。研究表明这两种方法可以共同运行于一种对比学习策略下,并详细解释了它们如何运行和相互比较。
Feb, 2020
本文利用近似消息传递理论、非渐近随机矩阵理论和凸几何技术等方法,证明了当变量数量 $p$ 远大于样本量 $n$ 时,逻辑回归模型的似然比检验不再服从卡方分布的事实,并探讨了相应的解决方案。
Jun, 2017
本文介绍了一种基于神经网络和优化方法的似然比函数估计的方法,可用于工程和统计领域中的检测和假设检验问题。
Nov, 2019
提出一种基于似然比的高维半参数广义线性模型的推理框架,包括使用规则化统计制备模型、构建后规则化的置信区间和测试、发展新的浓缩不等式和正态逼近结果,以及应用于缺失数据问题的示例。
Dec, 2014
研究推断基于模拟器的统计模型,提出了结合概率建模和优化的策略来加速无似然推断方法,实现了对几个数量级所需模拟次数的削减。
Jan, 2015
该研究提出了一种解决在科学领域中使用高级计算机模拟时出现的后验推断问题的新方法,这种方法使用学习的灵活的摊销估计量来近似似然 - 证据比率,并可以嵌入 MCMC 采样器中以从难以处理的后验中获得样本。
Mar, 2019
本文介绍了一种新的方法,称为低次方法,用于预测和理解高维推断问题中的统计与计算权衡,并给出了一些新的结果、简化的证明和改进的猜想。该方法假定一个特定数量 —— 低次似然比的第二时刻 —— 可以揭示解决给定假设检验问题所需的计算时间的信息,进而可用于预测各种统计推断任务的计算复杂度。
Jul, 2019