Apr, 2017

使用堆叠方法对贝叶斯预测分布进行平均

PDF
TL;DR我们提出了一种基于预测分布的 Stacking 方法，利用 Pareto-smooth 重要性采样计算所需的单次观察后验分布和正则化以获得更好的稳定性，比较结果表明我们的方法在计算成本可接受的情况下优于其它方法。
bayesian model averagingm-open settingpredictive distributionspareto smoothed importance samplingregularization
发现论文，激发创造
  • 概率编程中超越路径上贝叶斯模型平均

    通过路径加权，基于后验概率的概率编程中的预测能够得到更加鲁棒且优越的结果。

    Oct, 2023

  • 基于模拟的堆叠

    使用可证明的渐近保证，我们提出了一种通用的堆叠方法，能够结合多个后验近似，融合密度、模拟抽样、置信区间和矩，同时解决整体精度、校准、覆盖率和偏差的问题。我们通过几个基准模拟和具有挑战性的宇宙学推断任务来说明我们的方法。

    Oct, 2023

  • BayesBlend: 使用伪贝叶斯模型平均法、叠加法和分层叠加法简化模型融合的 Python 实现

    该研究论文介绍了 BayesBlend Python 软件包，它提供了一个用户友好的编程接口，用于估计权重并混合多个（贝叶斯）模型的预测分布。通过保龄球模型均衡、堆叠和独特的层次贝叶斯堆叠，BayesBlend 演示了保险损失建模的实例。

    Apr, 2024

  • Locking and Quacking: 通过对数池化和叠加堆叠贝叶斯模型预测

    提出了两种将贝叶斯模型组合起来的工具：log-linear pooling 和 quantum superposition，并通过 Hyvarinen 分数对模型权重进行优化，以解决计算正常化常数的负担。

    May, 2023

  • 贝叶斯模型平均：系统性评述与概念分类

    该研究通过对 587 篇 Bayesian Model Averaging 相关论文的内容分析，提供了一种概念分类方案，以更好地描述这个庞大的文献，并为研究者提供指导，深入研究该方法论的应用和发展。

    Sep, 2015

  • 分布式统计学习的引导模型聚合

    本文提出两种方差降低方法对分布式、隐私保护学习中使用的基于自助法的方法进行改善，包括权重 M - 估计器等。进行了理论和实证分析以证明我们的方法。

    Jul, 2016

  • 在最优因子范围内找到所有贝叶斯网络结构

    提出了一种基于近似算法的模型平均方法，该方法仅考虑可靠的模型且能在数据量较大的情况下高效地进行比较。

    Nov, 2018

  • 模型平均中的元学习 PAC-Bayes 先验

    提出两种数据算法来获取适当的模型平均先验。

    Dec, 2019

  • 协变量偏移下贝叶斯模型平均的危险性

    通过使用全批处理的哈密尔顿蒙特卡罗来近似推断的贝叶斯神经网络，在协变量转移下实现了良好的性能，但我们发现，贝叶斯模型平均在这种情况下可能会出现问题，特别是在输入特征中存在线性相关性导致后验收缩不足的情况下，我们提出了新的先验概率分布，以提高 BNN 对多种协变量转移的稳健性。

    Jun, 2021

  • 基于后验子集中位数的鲁棒可伸缩贝叶斯

    提出了一种新的贝叶斯分析方法，其在数据中有很强的鲁棒性，通常比传统方法具有更好的计算性能。该方法将数据分成非重叠的子组，评估每个独立子组得到的后验分布，然后组合结果。该方法的主要创新点是提出了一个基于概率度量空间中中位数的聚合步骤，提出了一种适合于快速高效评估的距离集合。我们提供了理论和数值测试结果，展示了我们的方法所取得的改进。

    Mar, 2014