VBayes实验室 swMATH ID: 41752 软件作者: Tran,M.-N。;Nguyen,N。;诺特·D。;科恩,R。 描述: 贝叶斯深度网GLM和GLMM。深度前馈神经网络(DFNN)是函数逼近的有力工具。我们描述了包含DFNN形成的基函数的广义线性和广义线性混合模型的灵活版本。文献中没有广泛使用考虑随机效应的神经网络,可能是因为将特定对象的参数纳入已经复杂的模型中存在计算挑战。高维贝叶斯推理的有效计算方法是使用高斯变分近似,利用协方差矩阵的一个简约但灵活的因子参数化,利用变分协方差矩阵的因子结构计算自然梯度。我们灵活的DFNN模型和贝叶斯推理方法产生了一种回归和分类方法,该方法具有较高的预测精度,并且能够以原则和方便的方式量化预测不确定性。我们还描述了如何在深度学习方法中执行变量选择。提出的方法在大量模拟和实际数据示例中进行了说明,并与统计文献中最先进的灵活回归和分类方法贝叶斯加性回归树(BART)方法进行了比较。实现所提出方法的Matlab、R和Python中的用户友好软件包可在url上获得{https://github.com/VBayes实验室}. 主页: https://arxiv.org/abs/1805.10157 源代码: https://github.com/VBayesLab网站 关键词: 深度学习;因子模型;再参数化梯度;随机优化;变量选择;变分近似 相关软件: 阿达德尔塔;TensorFlow公司;贝叶斯DA;美国广播公司无线电频率;凯拉斯;ViT公司;EMVS公司;HS_GHS公司;玻璃制品;斯坦;结构;EBayesThresh公司;LassoNet公司;形状;CAS数据集;博鲁塔;法尔迈尔;张紧器2传感器;RStan(RStan);rstan公司 引用于: 9文件 标准条款 1出版物描述软件,包括1出版物以zbMATH为单位 年份 贝叶斯深网GLM和GLMM。 Zbl 07499275号Tran,M.-N.公司。;Nguyen,N。;诺特,D。;科恩,R。 2020 全部的 前5名21位作者引用 三 纳贾·克莱恩 三 大卫·约翰·诺特 三 越南Tran 1 安妮迪亚·巴德拉 1 乍得布鲁梅特 1 乔蒂什卡·达塔 1 高俊斌 1 理查德·赫拉赫。 1 克拉拉·霍夫曼 1 康健 1 罗伯特·J·科恩。 1 李毅 1 李云凡 1 尼古拉斯·波尔森(Nicholas G.Polson)。 1 罗纳德·里奇曼 1 迈克尔·斯坦利·史密斯 1 孙玉明 1 克里斯托弗·威克尔(Christopher K.Wikle)。 1 瓦伦丁·Wüthrich 1 于雪军 1 周冰新 5篇连载文章中引用 4 计算与图形统计杂志 2 应用统计学年鉴 1 国际统计评论 1 斯堪的纳维亚精算杂志 1 农业、生物和环境统计杂志 在2个字段中引用 9 统计学(62-XX) 2 计算机科学(68至XX) 按年份列出的引文