跳转到主要内容
远程访问 概率论与数理统计

概率论与数理统计

ISSN 1547-7363(在线)ISSN 0094-9000(打印)

   
 
 

 

图形后验预测分类:基于粒子Gibbs的贝叶斯模型平均


作者: 塔贾娜·帕夫连科费利克斯·L·里奥斯
日志:西奥。概率与数学。统计师。109(2023), 81-99
MSC(2020年):初级54C40、14E20;次级46E25,20C20
内政部:https://doi.org/10.1090/tpms/1198
电子出版:2023年10月3日
全文PDF

摘要|工具书类|类似条款|其他信息

摘要:在本研究中,我们提出了一种多类图形贝叶斯预测分类器,该分类器将模型选择中的不确定性纳入标准贝叶斯形式。对于每一类,观测特征的依赖结构由一组可分解的高斯图形模型表示。然后重点放在贝叶斯模型平均它通过对后验图模型概率进行平均,充分考虑了特定类别模型的不确定性。众所周知,对模型概率的显式评估是不可行的。为了解决这个问题,我们考虑J.Olsson、T.Pavlenko和F.L.Rios的粒子Gibbs策略[Electron.J.Statist.13(2019),no.2,2865–2897],用于从可分解图形模型进行后验采样,该模型使用所谓的圣诞树算法J.Olsson、T.Pavlenko和F.L.Rios【统计计算32(2022),第5号,第80、18号论文】作为提案核心。我们还导出了一个强大的超马尔可夫定律,我们称之为超正规Wishart定律允许在本地执行结果贝叶斯计算。与不考虑模型不确定性的普通贝叶斯预测规则以及一些现成的分类器相比,所提出的预测图形分类器显示出优越的性能。


工具书类[增强功能打开关闭](这是什么?)

工具书类

类似条款

检索中的项目概率论与数理统计MSC(2020年):54立方厘米,14E20型,46 E25型,20C20米

检索所有期刊中的文章MSC(2020年):54立方厘米,14E20型,46 E25型,20C20米


其他信息

塔贾娜·帕夫连科
附属:瑞典乌普萨拉大学统计系,751 20,513信箱
电子邮件:tatjana.pavlenko@statistik.uu.se

费利克斯·L·里奥斯
附属:瑞典斯德哥尔摩KTH皇家理工学院数学系SE-100 44
电子邮件:flrios@kth.se

关键词:可分解的图形模型,强超马尔可夫定律,粒子马尔可夫链蒙特卡罗
编辑接收:2022年3月31日
接受发布:2023年2月3日
电子出版:2023年10月3日
附加说明:第一位作者得到了乌普萨拉大学AI4Reseach Grant的部分支持。
文章版权:©版权所有2023塔拉斯·舍甫琴科国立基辅大学