马克·吉洛米;西蒙·罗杰斯 高斯过程先验的变分贝叶斯多项式概率回归。 （英语） Zbl 1121.62027号 神经计算。 18，第8期，1790-1817（2006）. 摘要：统计学文献中众所周知，使用高斯潜在变量增强二元和多光子响应模型可以通过参数后验的吉布斯抽样进行精确的贝叶斯分析。通过采用这种数据增强策略，去掉回归系数上的先验信息，支持函数上的高斯过程（GP）先验信息并采用全后验的变分近似，我们获得了在多类环境下GP分类的有效计算方法。带有附加潜在变量的模型增强确保了充分的后验类耦合，同时保留了简单的先验独立GP协方差结构，稀疏近似（如多类信息向量机（IVM））以自然和直接的方式出现。这是首次开发出多类GP分类的完全变分贝叶斯处理方法，而无需对非高斯似然项进行额外的显式近似。使用马尔可夫链蒙特卡罗（MCMC）和拉普拉斯近似与精确分析进行的实证比较表明，变分近似在计算上是完全MCMC的经济替代方案，并且它比拉普拉斯逼近更准确。 引用于10文件 MSC公司： 2015年1月62日 贝叶斯推断 62日元99 线性推断、回归 62H30型 分类和区分；聚类分析（统计方面） 68T05型 人工智能中的学习和自适应系统 PDF格式BibTeX公司 XML格式引用 \textit｛M.Girolami｝和\textit｛S.Rogers｝，神经计算。18，No.8，1790--1817（2006；Zbl 1121.62027） 全文： 内政部 参考文献： [1] 内政部：10.2307/2290350·Zbl 0774.62031号 ·doi:10.2307/2290350 [2] Chu W.，《机器学习研究杂志》第6期第1019页–（2005） [3] 内政部：10.1162/089976602317250933·Zbl 0987.62060号 ·网址：10.1162/089976602317250933 [4] 内政部：10.1109/72.883477·doi:10.1109/72.883477 [5] DOI:10.1023/A:1007665907178·Zbl 0945.68164号 ·doi:10.1023/A:1007665907178 [6] Kuss M.，《机器学习研究杂志》，第6页，1679–（2005） [7] DOI:10.1093/生物信息学/btg438·doi:10.1093/bioinformatics/btg438 [8] 内政部：10.1162/0899766000300014881·doi:10.1162/089976600300014881 [9] 内政部：10.1162/15324430152748236·Zbl 0997.68109号 ·doi:10.1162/15324430152748236 [10] 内政部：10.1109/34.735807·doi:10.1109/34.735807 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。