×
托米·莫诺宁

广泛应用的贝叶斯信息准则及其最优性的案例研究。 （英语） 兹比尔1332.62099

统计计算。 25，第5期，929-940（2015）.
摘要：在贝叶斯统计中，边际似然（证据）是衡量模型优度的关键因素之一。然而，对于许多实际模型族，它无法进行分析计算。另一种解决方案是使用某种近似方法或耗时的采样方法。广泛适用的贝叶斯信息准则（WBIC）是最近发展起来的，具有边际似然近似，也适用于奇异模型。近似的中心思想是选择一个具有（近似）最佳温度（β^*=1/log（n））的单一热力学积分项（后验幂），其中（n）是数据大小。我们将这种新的近似应用于可解析求解的高斯过程回归情形，以表明最佳温度也可能取决于数据本身或其他变量，例如噪声水平。此外，我们还表明，最佳温度下热力学曲线的陡度表明了WBIC所犯的错误。

引用于三文件

MSC公司：

62英尺15英寸 贝叶斯推断
62G08号 非参数回归和分位数回归

关键词：

WBIC公司;高斯过程回归;热力学积分;对数边际似然

软件：

GPstuff公司
PDF格式BibTeX公司 XML格式引用
\textit{T.Mononen}，统计计算。25，第5号，929--940（2015；Zbl 1332.62099）
全文： 内政部

参考文献：

[1] Calderhead，B.，Girolma，M.：通过热力学积分和总体MCMC估算贝叶斯因子。计算。统计数据分析。53, 4028-4045 (2009) ·Zbl 1453.62055号 ·doi:10.1016/j.csda.2009.07.025
[2] Cortez，P.，Cerdeira，A.，Almeida，F.，Matos，T.，Reis，J.：通过物理化学特性的数据挖掘建模葡萄酒偏好。Decis公司。支持系统。47, 547-553 (2009) ·doi:10.1016/j.dss.2009.05.016
[3] Filippone，M.：带退火和精确近似MCMC的高斯过程分类器的贝叶斯推理。arXiv:1311.7320（2013）·Zbl 1320.62010年
[4] Filippone，M.、Zhong，M.和Girolma，M.：高斯过程模型随机推理方法的比较评估。机器。学习。93，93-114（2012）·Zbl 1294.62048号 ·doi:10.1007/s10994-013-5388-x
[5] Friel，N.，Pettitt，A.N.：通过幂后验估计边际似然。J.R.Stat.Soc.系列B（Stat.Methodol.）70，589-607（2008）·Zbl 05563360号 ·doi:10.1111/j.1467-9868.2007.00650.x
[6] Friel，N.、Hurn，M.、Wyse，J.：提高统计证据的后验估计能力。统计计算。(2013). doi:10.1007/s11222-013-9397-1·兹比尔1322.62098
[7] Kuss，M.，Rasmussen，C.E.：评估二元高斯过程分类的近似推断。J.马赫。学习。第6号决议，1679-1704（2005）·Zbl 1190.62119号
[8] Murray，I.，Adams，R.P.：潜在高斯模型的切片采样协方差超参数。高级神经信息处理。系统。23, 1723-1731 (2010)
[9] Nickisch，H.，Rasmussen，C.E.：二元高斯过程分类的近似值。J.马赫。学习。第9号决议，2035-2078（2008）·Zbl 1225.62087号
[10] Petersen，K.B.，Pedersen，M.S.：《矩阵食谱》。版本：2008年11月14日·Zbl 1320.62058号
[11] Quiñonero-Candela，J.，Rasmussen，C.E.：稀疏近似高斯过程回归的统一观点。J.马赫。学习。1939-1959年第6号决议（2005年）·Zbl 1222.68282号
[12] Rasmussen，C.E.，Williams，C.K.I.：机器学习的高斯过程。麻省理工学院出版社，马萨诸塞州剑桥（2006）·Zbl 1177.68165号
[13] Roos，T.，Zou，Y.：保持简单愚蠢关于类BIC标准中低阶项的影响。信息理论与应用研讨会，2013年2月，美国圣地亚哥（2013）·Zbl 1190.62119号
[14] Rue，H.，Martino，S.，Chopin，N.：使用集成嵌套拉普拉斯近似对潜在高斯模型进行近似贝叶斯推断。J.R.Stat.Soc.系列B（Stat.Methodol.）71、319-392（2009）·Zbl 1248.62156号 ·doi:10.1111/j.1467-9868.2008.00700.x
[15] Vanhatalo，J.等人：GPstuff：高斯过程的贝叶斯建模。J.马赫。学习。第14号决议，1175-1179（2013年）·Zbl 1320.62010年
[16] Watanabe，S.：代数几何和统计学习理论。剑桥大学出版社，剑桥（2009）·Zbl 1180.93108号 ·doi:10.1017/CBO9780511800474
[17] Watanabe，S.：一种广泛适用的贝叶斯信息准则。J.马赫。学习。第14号决议，867-897（2013年）·Zbl 1320.62058号
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。