Jul, 2018

中位概率模型与相关变量

PDF
TL;DR采用中位概率模型（MPM）来选择变量，在一类特定的先验分布下能最好地预测，而这个规则已经被广泛地使用于更广泛的先验分布和相关设计中，因此本文旨在解释 MPM 在这些情况中的特性，以及提供更广泛的先验概率分配方法和模型汇总概念，以此加强 MPM 的结果和解释的准确性。
median probability modelposterior probabilitypredictionpriorsmodel aggregates
发现论文，激发创造
  • 块状伪边际采样器

    本篇论文介绍了 PM 算法和与 Monte Carlo 的相关优化，提出块 PM 算法，在一些特定情况下效率更高，具体方法和指南，同时提供了选择最佳样本数量的方法和指南。

    Mar, 2016

  • 先验组件数量的混合模型

    使用 Dirichlet 过程混合（DPM）模型可用于推断基因表达数据，同时也可以直接应用于混合的有限混合模型（MFM）中，具有类似的数学性质。

    Feb, 2015

  • 最优预测模型选择

    该研究通过贝叶斯方法，针对正态线性模型的选择，表明最优的预测模型往往是中位数概率模型而非具有最高后验概率的模型。

    Jun, 2004

  • 可扩展估计非参数马尔可夫网络的广义精度矩阵

    使用广义精度矩阵（GPM），在所有数据类型（即连续、离散和混合类型）中表征了条件独立结构，提出了一种 Markov 网络结构学习算法，在处理大型图形时使用正则化评分匹配框架来统一所有情况。

    May, 2023

  • 高斯 Copula 混合模型的性质

    本文研究了高斯混合模型的推广形式 —— 高斯 Copula 混合模型，基于此模型开发了拓展的 EM 算法估计其参数，通过使用独立的非参数统计方法对每个维度的边缘分布进行估计，GCMM 可以实现对数据更深入的挖掘。实验表明，与高斯混合模型相比，在具有相同簇数的情况下，GCMM 可以实现更好的拟合度，并且可以利用每个维度上的不同步数据进行挖掘。

    May, 2023

  • 高斯混合模型的两轮变种 EM 算法

    本文探讨了 Bayesian 网络中无监督与有监督模型选择领域的差异，观察到标准边际似然得分标准并不能很好地适用于有监督模型选择，对比实证分析发现 Dawid 的预测序列原则的方法可以在该领域中获得最佳结果。

    Jan, 2013

  • 高维半参数潜在图模型中的混合数据

    本文提出了一种名为潜在高斯 Copula 模型的半参数模型，用于建模二元和混合数据的多元统计学习。

    Apr, 2014

  • 高斯过程的伪边缘贝叶斯推断

    本文提出了一种基于伪边缘法的马尔可夫链蒙特卡罗通用策略，有效地解决了使用高斯过程先验的精确贝叶斯推理和模型参数不确定性导致的数据预测问题。此外，Monte Carlo 积分可用于预测中的所有模型参数，这在高斯过程的层次统计模型中具有重要意义，并与最先进的概率分类器进行了广泛的比较。

    Oct, 2013

  • MAD-Bayes: 基于 MAP 的渐近推导与贝叶斯

    应用小方差渐近方法直接处理贝叶斯非参数模型的后验概率，得到一种超越聚类的特征学习目标函数，并提出一些易于实现的新算法，这些算法的效果被实验结果验证。

    Dec, 2012

  • 群组成员预测

    该研究提出了一种概率模型，通过引入潜在的视图特定和视图共享的随机变量来解决组成员预测问题，并使用二次线性分类器来以判别的方式学习数据无关参数，在诸如多摄像头人员重新识别和亲属验证等挑战性的视觉识别任务中表现显着优于现有技术。

    Sep, 2015