Jun, 2015

通过简化粗糙化方法实现稳健的贝叶斯推断

PDF
TL;DR本文提出了一种改进的贝叶斯推断方法，可以通过条件数据的经验分布邻域而不是实际数据，提高模型对扰动的鲁棒性；该方法使用基于相对熵估计的邻域，通过将似然函数提升到分数次幂（即 tempering），使得可以使用标准方法实现推断，甚至在使用共轭先验时也能获得解析解。实验结果表明，在混合模型、未知阶数自回归模型及线性回归变量选择等任务中都能得到良好表现。
bayesian inferenceempirical distributionrelative entropy estimatescoarsened posteriorconjugate priors
发现论文，激发创造
  • 非线性回归模型的近似贝叶斯计算

    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

  • 复杂高维模型的贝叶斯分析：可以使用 CODA 吗？

    本研究考虑针对复杂的高维模型的贝叶斯分析，并表明直觉上的先验分布选择对模型和参数的微小细节不加区分，导致在某些情况下表现较差，而简单的频率学派估计量存在良好的表现。

    Mar, 2012

  • 近似去中心化贝叶斯推断

    本文提出了一种在分散型学习代理网络上执行贝叶斯推断的近似方法，该方法首先对每个学习代理使用变分推断生成本地近似后验，代理将本地后验传输到网络中的其他代理，最后每个代理组合其收到的本地后验。实验结果表明，这种分散式方法在计算性能和预测测试可能性方面具有优势。

    Mar, 2014

  • 高维模型中的贝叶斯推断

    本文综述了贝叶斯及相关方法在高维模型中的性质，如许多正常问题，线性回归，广义线性模型，高斯和非高斯图模型等。同时也讨论了有效的计算方法。

    Jan, 2021

  • 鲁棒贝叶斯建模通用方法

    该研究论文开发了一种鲁棒贝叶斯建模的通用方法，能够保护数据不受离群值或其他偏差的影响，并且探讨了该方法在多个模型中的应用，包括线性回归，泊松回归，逻辑回归和概率主题模型。

    Oct, 2015

  • 具有贝叶斯数据重新加权的强健概率建模

    本研究提出了一种方法，通过将每个观察的可能性变为一种权重，从数据中推断连续变量和权重，以检测和减轻大量概率模型的不匹配性，并明确不同类型的不匹配性对模型的影响与表现，这有助于提高模型的鲁棒性和预测准确性。

    Jun, 2016

  • 科学模拟器的模型和参数的同时鉴定

    本研究提出了一种基于后验模拟的隐式模型先验和神经网络的元均账后验推断方法，用于系统地选择模型组件以及实现参数推断。研究表明此方法对于发现数据一致的模型配置，估计参数以及识别非可识别模型组件等方面能够提供有力的工具，有效地促进了数据驱动模型的复杂性建造与推断。

    May, 2023

  • 贝叶斯分数后验

    该研究探讨了利用分数似然函数通过 Bayes 定理来更新先验分布所得到的分数后验分布，分析了在一般错误规范框架下分数后验的收缩性质，讨论了分数后验的贝叶斯预言不等式，得出了几点基于平均的贝叶斯过程相对于基于最优化的统计规律过程的优越性，同时给出了在上述理论基础下收敛于真值的一些具体应用，譬如凸形回归问题和高斯过程回归问题。

    Nov, 2016

  • 贝叶斯后验逼近误差的实际界限：一种非渐进方法

    本文提出了一种新的方法，基于 Wasserstein 距离的估计误差进行控制，然后通过广义 Fisher 距离限制 Wasserstein 距离。我们使用这种方法为 Laplace 近似和 Hilbert coresets 推导 Wasserstein 误差上限，并期望这种方法也适用于其他近似推理方法，例如综合 Laplace 近似、变分推理和近似贝叶斯计算。

    Sep, 2018

  • 贝叶斯距离聚类

    提出了一种贝叶斯距离聚类方法，它使用基于数据点之间成对差异的先验知识以取得更强的鲁棒性，可以在距离聚类和模型聚类之间找到一个平衡点，并通过其在脑基因表达数据的聚类应用中展示了其性能

    Oct, 2018