本文提出了一种新的 BLB 算法,该算法融合了自助法和子采样的特点,以获得一种健壮、计算效率高的评估估计器质量的方法,适用于现代并行和分布式计算架构,保留了自助法的通用适用性、统计效率和有利的理论属性。
Jun, 2012
该论文介绍了一种名为 Bag of Little Bootstraps(BLB)的新程序,它包括引导和子抽样的特点,旨在提供一种稳健、计算高效的评估估计量的方法。BLB 适用于现代并行和分布式计算体系结构,同时保留引导的通用适用性和统计效率。
Dec, 2011
本文旨在提出解决复杂数据分析问题中的信心度测量的方法,包括判断两个节点之间的边缘是否成立、一个给定节点的马尔可夫毯子是否鲁棒以及变量排序等方面,并通过 Efron 的 Bootstrap 方法来实现对这些问题的计算高效求解。此外,作者提出使用这些信心度测量来从数据中产生更好的结构,以及检测潜在变量的存在。
Jan, 2013
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
本文重新审视了加权似然 Bootstrap 的方法,该方法可以在带参数模型下生成近似 Bayesian 后验的样本。我们表明,同样的方法可以在参数模型下进行,由无法确定的样本分布的期望负对数似然极小化引起。我们称这种方法为 Loss-Likelihood Bootstrap。
Sep, 2017
通过引入易于扩展的 PyTorch 库 posteriors,我们在理论上具有吸引力的贝叶斯学习与现代机器学习模型的计算挑战得以克服,从而使得贝叶斯学习在大规模数据和参数范围下变得可访问且可扩展;通过在 posteriors 实现中引入一种温度设定的随机梯度马尔可夫链蒙特卡洛方法,平稳过渡到优化,并揭示了深度集成的一种次要修改,以确保它们对贝叶斯后验具有渐进无偏性;通过包括对冷后验效应的研究和对大型语言模型的应用实验来展示和比较贝叶斯近似的实用性。
May, 2024
本文提出了一种可扩展的贝叶斯非参数学习方法,通过优化适当随机化的目标函数实现后验抽样,一个未知数据分布的狄利克雷过程先验考虑到了模型建立错误,并允许具有尴尬并行事后自举算法的非参数后验分布的独立和精确的样本生成,从而特别擅长从多峰后验分布中抽样。
Feb, 2019
本文提出了一种基于贝叶斯方法的加权随机块模型,可以用于推断加权网络的大规模模块结构,方法为无参数方法,使用数据来推断模型中的群组数量和其他维度,并提供了不同种类的边权(如连续或离散、有符号或无符号、有界或无界等)以及任意权重转换的综合处理。作者还描述了无监督模型选择方法来选择最佳网络描述,并且将该方法应用于各种实际加权网络,例如全球移民、国会中的投票模式和人类大脑中的神经连接。
Aug, 2017
本研究提出一种基于感知器的设计方案,该方案结合了贝叶斯神经网络和深度集成等现代方法,通过在每层的权重矩阵中加入少量的诱导权重来降低存储和计算成本,同时保持较好的预测精度和不确定性估计能力。
May, 2021
提出了一种名为 PGBM 的新方法,利用决策树的随机叶权重和随机树集更新方程逼近训练集中每个样本的均值和方差,从而实现单一模型预测概率分布,比传统方法速度快且效果更佳。
Jun, 2021