神经动力学机理模型的灵活统计推断
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
通过训练深度神经网络,本研究旨在构建可靠的摘要统计信息,以近似表示参数的后验平均值,以提高 ABC 方法在模型参数推断中的精度和效率。在 Ising 模型和移动平均模型中,我们的方法构建的摘要统计量在精度上不仅匹配了理论上的最优摘要统计量,而且超出了其精度。
Oct, 2015
该论文提出一种基于 ABC-MCMC 算法的贝叶斯推断方法,用于在具有随机性系统中求解高维随机微分方程。研究重点在于描述了状态空间模型的 SDE,并提供了 MATLAB 软件包来实现算法的仿真研究结果。
Apr, 2012
该论文提出了一种基于贝叶斯条件密度估计的无似然推断方法,通过有限的模拟数据进行初步的推断,引导后续的模拟,相较于 Monte Carlo ABC 方法,该方法需要较少的模型模拟来获得整个真实后验分布的准确参数化表示。
May, 2016
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
本研究主要基于近似贝叶斯计算(ABC)研究人与设备交互过程中的认知模型参数,通过菜单交互的案例分析表明,ABC 可以更准确地估算模型参数值,比较模型不同变量之间的差异并支持将模型适应个体用户。
Dec, 2016
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