自适应高斯 Copula ABC
本研究提出了一种利用高斯 Copula 逼近对近似贝叶斯计算(ABC)算法中的边缘调整策略进行改进,并将其扩展应用于高维问题的贝叶斯推断中的方法。
Apr, 2015
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
本研究提供了一种新的基于核回归的框架方法,使用随机傅里叶特征来实现大规模核学习,以选择合适的问题特定摘要统计量来近似真实条件概率分布,该方法在近似贝叶斯计算中有杰出表现。
Feb, 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
本文介绍了一类基于 ABC 思路的近似方法,着重于处理那些观测和参数似然不易求得的时间序列模型,并保持了原始统计模型的概率结构,为参数推断提供了一种分析近似偏差和适应计算方法的新途径。
Jan, 2014
介绍了一种基于 Hamiltonian Monte Carlo(HMC)和随机梯度的近似贝叶斯计算框架,称为 Hamiltonian ABC(HABC)。该方法使用前向模拟来近似贝叶斯计算的梯度,并展示了在机器学习领域进行高维问题的 HABC 样本比使用真实梯度的传统贝叶斯推断方法的结果相当。
Mar, 2015
本文提出了一种基于高斯过程的代理模型改进的近似贝叶斯计算方法,同时结合批次 - 序列贝叶斯试验设计策略实现模型并行化,并通过一种数值方法完整量化不确定性,该方法被称为贝叶斯 ABC,并讨论了它与贝叶斯积分和贝叶斯优化之间的联系。
Oct, 2019