×
希夫·阿格拉瓦尔;金万宇;丹尼·桑斯·阿隆索;亚历山大·斯特朗

伽玛超验反问题的变分推理方法。 （英语） Zbl 1514.35425号

SIAM/ASA J.不确定性。数量。 10, 1533-1559 (2022).
本文通过几个算例分析了作者方法的性能，包括反褶积问题和从时间序列数据中稀疏识别动力系统。
此外，本文写得很好，探索了一个非常有趣的新应用。因此，由于这一点，审稿人同意出版本书。
审核人：Daniela Cialfi（佩斯卡拉）

引用于2文件

MSC公司：

35问题62 与统计相关的PDE
2015年1月62日 贝叶斯推断
35兰特 偏微分方程的逆问题
35B65毫米 偏微分方程解的光滑性和正则性
35亿B50 PDE背景下的最大原则
第68季度25 算法和问题复杂性分析
49K20型 偏微分方程问题的最优性条件

关键词：

变分推理;层次反问题;迭代交替格式;稀疏估计;贝叶斯收缩

软件：

PRMLT公司
PDF格式BibTeX公司 XML格式引用
\textit{S.Agrawal}等人，SIAM/ASA J.不确定性。数量。1513-1559（2022年；Zbl 1514.35425）
全文： 内政部 arXiv公司

参考文献：

[1] Agapiou，S.、Bardsley，J.M.、Papaspiliopoulos，O.和Stuart，A.M.，《层次逆问题吉布斯采样器分析》，SIAM/ASA J.不确定性。数量。，2（2014年），第511-544页·Zbl 1308.62097号
[2] Agapiou，S.、Papaspiliopoulos，O.、Sanz-Alonso，D.和Stuart，A.M.，《重要性抽样：内在维度和计算成本》，统计学。科学。，32（2017年），第405-431页·Zbl 1442.62026号
[3] Armagan，A.，变分桥接回归，Proc。机器。学习。研究（PMLR），5（2009），第17-24页。
[4] Arridge，S.，Maass，P.，O.和Schönlieb，C.-B.，《使用数据驱动模型解决反问题》，《数值学报》。，28（2019），第1-174页·Zbl 1429.65116号
[5] Barber，D.和Wiegerinck，W.，《用于近似图形模型的可牵引变分结构》，摘自《神经信息处理系统进展》，麻省理工学院出版社，马萨诸塞州剑桥，1998年11月。
[6] Bard，J.F.，实用双层优化，算法与应用，非凸优化。申请。30，斯普林格，波士顿，2013年·Zbl 0943.90078号
[7] Bezdek，J.、Hathaway，R.、Howard，R..、Wilson，C.和Windham，M.，坐标下降分组变量版本的局部收敛分析，J.Optim。理论应用。，54（1987），第471-477页·Zbl 0597.90076号
[8] Bishop，C.，模式识别和机器学习，Springer，纽约，2006年·兹比尔1107.68072
[9] Blei，D.M.、Kucukelbir，A.和McAuliffe，J.D.，《变量推断：统计学家评论》，J.Amer。统计师。协会，112（2017），第859-877页。
[10] Bogachev，V.I.，《高斯测度》，美国数学学会，罗得岛普罗维登斯，1998年·Zbl 0913.60035号
[11] Brunton，S.L.、Proctor，J.L.和Kutz，J.N.，通过非线性动力系统的稀疏识别从数据中发现控制方程，Proc。国家。阿卡德。科学。美国，113（2016），第3932-3937页·Zbl 1355.94013号
[12] Calvetti，D.、Pascarella，A.、Pitolli，F.、Somersalo，E.和Vantaggi，B.，《MEG与生理预处理的分层Krylov-Bayes迭代逆解器》，《逆问题》，31（2015），125005·Zbl 1329.35346号
[13] Calvetti，D.、Pascarella，A.、Pitolli，F.、Somersalo，E.和Vantaggi，B.，通过具有自动深度加权的分层贝叶斯算法从MEG数据进行脑活动映射，脑地形图。，32（2019年），第363-393页。
[14] Calvetti，D.、Pitolli，F.、Somersalo，E.和Vantaggi，B.，Bayes与Krylov的会面：CGLS的统计启发预条件，SIAM Rev.，60（2018），第429-461页·Zbl 1392.65047号
[15] Calvetti，D.、Pragliola，M.和Somersalo，E.，《稀疏性促进分层贝叶斯反问题的混合求解器》，SIAM J.Sci。计算。，42（2020年），第A3761-A3784页·兹伯利07303422
[16] Calvetti，D.、Pragliola，M.、Somersalo，E.和Strang，A.，从少量噪声数据进行稀疏重建：具有广义伽马超验的分层贝叶斯模型分析，反问题，36（2020），025010·Zbl 1464.62365号
[17] Calvetti，D.和Somersalo，E.，《贝叶斯科学计算导论》，《主观计算十讲》，Surv。导师。申请。数学。科学。2，施普林格，纽约，2007年·Zbl 1137.65010号
[18] Calvetti，D.、Somersalo，E.和Strang，A.，层次贝叶斯模型和稀疏性：（L^2）-魔术，反问题，35（2019），035003·Zbl 1490.62078号
[19] Carvalho，C.M.、Polson，N.G.和Scott，J.G.，《通过马蹄铁处理稀疏性》，Proc。机器。学习。第5号决议（2009年），第73-80页。
[20] Carvalho，C.M.、Polson，N.G.和Scott，J.G.，《稀疏信号的马蹄形估计器》，《生物统计学》，97（2010），第465-480页·Zbl 1406.62021号
[21] Chada，N.K.、Chen，Y.和Sanz-Alonso，D.，《迭代集成卡尔曼方法：具有一些新变体的统一视角》，Found。数据科学。，3（2021年），第331-369页·Zbl 1493.65180号
[22] Damlen，P.，Wakefield，J.，and Walker，S.，Gibbs sampling for Bayesian non-jujugate and hierarchical models by using auxiliant variables，J.R.Stat.Soc.Ser.《利用辅助变量对贝叶斯非共轭和分层模型进行抽样》。B.统计方法。，61（1999），第331-344页·Zbl 0913.62028号
[23] Daubechies，I.、DeVore，R.、Fornasier，M.和Güntürk，C.S.，《稀疏恢复的迭代加权最小二乘最小化》，Comm.Pure Appl。数学。，63（2010），第1-38页·Zbl 1202.65046号
[24] de Freitas，N.、Höjen-Sörensen，P.、Jordan，M.I.和Russell。，美国变体MCMC，《第十七届人工智能不确定性会议论文集》，UAI’01，Morgan Kaufmann，加利福尼亚州旧金山，2001年，第120-127页。
[25] Dehaene，G.P.，《计算拉普拉斯近似的质量》，摘自《神经信息处理系统》，Curran Associates，Red Hook，NY，2017年。
[26] Trillos，N.Garcia和Sanz-Alonso，D.，《贝叶斯更新：变分公式和梯度流》，贝叶斯分析。，15（2020年），第29-56页·Zbl 1437.62113号
[27] Giordano，R.J.、Broderick，T.和Jordan，M.I.，平均场变分贝叶斯精确协方差估计的线性响应方法，《神经信息处理系统进展》，Curran Associates，Red Hook，NY，2015年28日。
[28] Gorodnitsky，I.F.和Rao，B.D.，使用FOCUS从有限数据重建稀疏信号：一种重新加权的最小范数算法，IEEE Trans。信号处理。，45（1997），第600-616页。
[29] Green，P.J.，《迭代重加权最小二乘法用于最大似然估计》，以及一些稳健且有抵抗力的替代方法，J.R.Stat.Soc.Ser。B.统计方法。，46（1984），第149-170页·Zbl 0555.62028号
[30] Jordan，M.I.、Ghahramani，Z.、Jaakkola，T.S.和Saul，L.K.，《图形模型变分方法简介》，马赫。学习。，37（1999），第183-233页·Zbl 0945.68164号
[31] Kaipio，J.和Somersalo，E.，统计和计算反问题，应用。数学。科学。160，斯普林格，纽约，2006年·Zbl 1068.65022号
[32] Law，K.J.H.和Zankin，V.，稀疏在线变分贝叶斯回归，SIAM/ASA J.不确定性。数量。，13（2022年），第1070-1100页·Zbl 1498.62019号
[33] Lemonte，A.J.和Cordeiro，G.M.，指数广义逆高斯分布，统计。普罗巴伯。莱特。，81（2011），第506-517页·Zbl 1207.62028号
[34] Liu，J.S.，《科学计算中的蒙特卡罗策略》，Springer，纽约，2008年·Zbl 1132.65003号
[35] Lorenz，E.N.，《确定性非周期流》，J.Atmos。科学。，20（1963年），第130-141页·Zbl 1417.37129号
[36] Maestrini，L.、Aykroyd，R.G.和Wand，M.P.，《反问题的变分推理框架》，预印本，arXiv:2103.059092021。
[37] Marzouk，Y.、Moselhy，T.、Parno，M.和Spantini，A.，《通过测量传输进行采样：简介》，载于《不确定性量化手册》，瑞士香槟州斯普林格，2016年，第1-41页。
[38] Naesseth，C.、Linderman，S.、Ranganath，R.和Blei，D.，变分序贯蒙特卡罗，Proc。机器。学习。研究，84（2018），第968-977页。
[39] Park，T.和Casella，G.，《贝叶斯套索》，J.Amer。统计师。协会，103（2008），第681-686页·Zbl 1330.62292号
[40] Polson，N.G.、Scott，J.G.和Windle，J.，《贝叶斯大桥》，J.R.Stat.Soc.Ser。B.统计方法。，76（2014），第713-733页·Zbl 07555460号
[41] Robbins，H.E.，《统计学的经验贝叶斯方法》，载于《统计学的突破》，纽约斯普林格出版社，1992年，第388-394页。
[42] Roberts，G.O.和Sahu，S.K.，吉布斯采样器的更新方案、相关结构、阻塞和参数化，J.R.Stat.Soc.Ser。B.统计方法。，59（1997），第291-317页·Zbl 0886.62083号
[43] 罗奇科娃，V.和乔治，E.I.，《钉子和板子套索》，J.Amer。统计师。协会，113（2018），第431-444页·Zbl 1398.62186号
[44] Sanz-Alonso，D.、Stuart，A.M.和Taeb，A.，《逆向问题和数据同化》，预印本，arXiv:1810.061912018年·Zbl 07704049号
[45] Saul，L.和Jordan，M.，《利用难处理网络中的易处理子结构》，《神经信息处理系统的进展》，麻省理工学院出版社，1995。
[46] Schillings，C.、Sprungk，B.和Wacker，P.，关于贝叶斯反问题基于拉普拉斯的蒙特卡罗方法的拉普拉斯近似收敛性和噪声级抑制，Numer。数学。，145（2020年），第915-971页·Zbl 1446.65098号
[47] Stuart，A.M.，《逆向问题：贝叶斯观点》，《数值学报》。，19（2010年），第451-559页·Zbl 1242.65142号
[48] Tarantola，A.，《模型参数估计的反问题理论和方法》，SIAM，费城，2005年·兹比尔1074.65013
[49] Tibshirani，R.，《通过套索进行回归收缩和选择》，J.R.Stat.Soc.Ser。B.统计方法。，58（1996），第267-288页·Zbl 0850.62538号
[50] Tonolini，F.、Radford，J.、Turpin，A.、Faccio，D.和Murray-Smith，R.，计算成像反问题的变分推理，J.Mach。学习。Res.，21（2020），第1-46页·兹比尔1527.68255
[51] Wainwright，M.J.和Jordan，M.I.，《图形模型、指数族和变分推断》，现出版公司，马萨诸塞州波士顿，2008年·Zbl 1193.62107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。