×
拉贾什·古哈尼约吉;沙恩·卡马尔;大卫·B·邓森。

贝叶斯条件密度滤波。 （英语） Zbl 07498941号

J.计算。图表。斯达。 27，第3期，657-672（2018）.
摘要：我们提出了一种用于有效在线贝叶斯推理的条件密度滤波（C-DF）算法。C-DF将MCMC抽样应用于在线设置，当新数据到达时，通过传播替代条件充分统计（数据和参数估计的函数）获得条件后验分布的近似值进行抽样。这些数量消除了同时存储或处理整个数据集的需要，并提供了许多所需的功能。通常，这包括减少内存需求和运行时，改进混合，以及最先进的参数推断和预测。这些改进通过包括应用于高维压缩回归在内的几个说明性例子得到了证明。在模型参数的维数不随时间增长的情况下，我们还建立了充分的条件，在该条件下，随着采样的进行和更多数据的到达，C-DF样本渐近收敛到目标后验分布。C-DF的补充材料可在线获取。

引用于2文件

MSC公司：

62至XX 统计

关键词：

近似MCMC;密度滤波;尺寸缩减;顺序蒙特卡罗;流式数据

软件：

SwiftLink银行
PDF格式BibTeX公司 XML格式引用
\textit{R.Guhaniyogi}等人，《计算杂志》。图表。Stat.27，No.3，657--672（2018；Zbl 07498941）
全文： 内政部 arXiv公司

参考文献：

[1] 艾伯特·J·H。；Chib，S.，二元和多光子响应数据的贝叶斯分析，美国统计协会杂志，88，669-679（1993）·Zbl 0774.62031号
[2] Andrieu，C。；Doucet，A。；Tadic，V.B.，《决策与控制》，2005年和2005年欧洲控制会议。CDC-ECC’05。第44届IEEE决策和控制会议，一般状态空间模型中的在线参数估计，332-337（2005），IEEE
[3] 阿玛根。；邓森，D.B。；Lee，J.，广义双帕累托收缩，《中国统计》，23，119（2013）·Zbl 1259.62061号
[4] Arulampalam，M.S。；马斯凯尔，S。；戈登，N。；Clapp，T.，在线非线性/非高斯贝叶斯跟踪的粒子滤波器教程，IEEE信号处理汇刊，50，174-188（2002）
[5] Beskos，A。；Crisan，D。；Jasra，A.，《高维序贯蒙特卡罗方法的稳定性》，《应用概率年鉴》，24，1396-1445（2014）·Zbl 1304.82070号
[6] 布罗德里克，T。；博伊德，N。；Wibisono，A。；A.C.威尔逊。；Jordan，M.I.，《神经信息处理系统的进展》，流式变分贝叶斯，1727-1735（2013）
[7] 卡瓦略，C。；Johannes，M.S。；洛佩斯，H.F。；Polson，N.，粒子学习与平滑，统计科学，2588-106（2010）·Zbl 1328.62541号
[8] 森坦尼，S。；Minozzo，M.，超高频金融数据双随机泊松模型的可逆跳跃MCMC估计和滤波，统计建模，6，97-118（2006）·Zbl 07257129号
[9] Chan，K.S.，关于马尔可夫链的几何遍历性的注记，应用概率的进展，21702-704（1989）·Zbl 0674.60068号
[10] 肖邦，N.，《静态模型的序贯粒子滤波方法》，《生物特征》，89，539-552（2002）·Zbl 1036.62062号
[11] ---，序贯蒙特卡罗方法的中心极限定理及其在贝叶斯推断中的应用，《统计年鉴》，322385-2411（2004）·Zbl 1079.65006号
[12] 杜塞特，A。；De Freitas，N。；Gordon，N.，《序贯蒙特卡罗方法简介》（2001），纽约：Springer，纽约·Zbl 1056.93576号
[13] Doucet，A。；Godsill，S。；Andrieu，C.，《贝叶斯滤波、统计和计算的序贯蒙特卡罗抽样方法》，第10期，197-208（2000）
[14] 医学博士霍夫曼。；布莱，医学博士。；王，C。；佩斯利，J.，《随机变量推断》，《机器学习研究杂志》，第14期，第1303-1347页（2013年）·Zbl 1317.68163号
[15] Johannes，M。；新几内亚波尔森。；Yae，S.M.，使用切片变量的非线性模型中的粒子学习，生物特征，1-17（2010）
[16] Johndrow，J.E。；J.C.马丁利。；穆克吉，S。；Dunson，D.，马尔可夫链近似和贝叶斯推断，（2015）
[17] 科拉提卡拉，A。；陈，Y。；Welling，M.，《MCMC土地的紧缩：削减大都会-黑斯廷斯预算》（2013）
[18] Lauritzen，S.L.，混合图形关联模型中概率、均值和方差的传播，美国统计协会杂志，871098-1108（1992）·Zbl 0850.62094号
[19] Lopes，H.F。；卡瓦略，C.M。；Johannes，M.S。；Polson，N.，《序贯贝叶斯计算的粒子学习》，贝叶斯统计，9，317（2011）
[20] Luts，J。；Wand，M.P.，计数响应半参数回归的变分推断，（2013）·Zbl 1335.62054号
[21] 麦克劳林（D.Maclaurin）。；Adams，R.P.，《萤火虫蒙特卡罗：精确MCMC与数据子集》（2014）
[22] McCormick，T.H。；Raftery，A.E。；Madigan博士。；Burd，R.S.，二元分类的动态逻辑回归和动态模型平均，生物计量学，68，23-30（2012）·Zbl 1241.62101号
[23] 枸杞，A。；Głowacka，D。；斯坦内斯库，H。；Bryson，K。；Kleta，R.，SwiftLink:使用多核CPU和GPU进行并行MCMC连锁分析，生物信息学，29413-419（2013）
[24] Minka，T.P。；Xiang，R。；Qi，Y.A.，《第二十五届人工智能不确定性会议论文集》，贝叶斯在线分类虚拟向量机，411-418（2009），AUAI出版社
[25] 明斯克，S。；Srivastava，S。；林，L。；Dunson，D.B.，通过子集后验中位数的稳健和可扩展贝叶斯，（2014）
[26] Opper，M.，在线学习的贝叶斯方法（1998）·Zbl 0966.68178号
[27] 基罗兹，M。；维拉尼，M。；Kohn，R.，通过有效的数据子抽样加速MCMC，（2014）·Zbl 1420.62121号
[28] Schweizer，N.，序列MCMC的非症状误差界和Feynman-Kac传播子的稳定性，（2012）
[29] 斯科特·S·L。；拦截器，A.W。；F.V.博纳西。；Chipman，H.A。；E.I.乔治。；McCulloch，R.E.，《贝叶斯与大数据：共识蒙特卡罗算法》（2013）
[30] Teh，Y.W。；Thiéry，A。；Vollmer，S.，随机梯度Langevin动力学的一致性和波动，（2014）
[31] Yang，Y。；邓森，D.B.，序列马尔可夫链蒙特卡罗，（2013）
[32] 周，Y。；Jasra，A.，状态空间模型的有偏在线参数推断，（2015）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。