Fast Variational Inference of Latent Space Models for Dynamic Networks Using Bayesian P-Splines
本文针对连续时间动态网络潜在空间模型提出基于贝叶斯P样条的新先验和随机变分推断算法，实现线性于边数的快速估计，并首次给出连续时间LSMs贝叶斯估计的非渐近误差界，成功应用于超440万条国际冲突关系数据。
2024-01-18 stat.CO stat.ME
On the Convergence of Stochastic Variational Inference in Bayesian Networks
我们强调了一个陷阱时，随机变分推断一般贝叶斯网络。对于由指数族分布近似的全局随机变量，通常从单位长度步长开始的自然梯度步长被平均以收敛。当近似在一般贝叶斯网络上进行因子分解时，这种对初始步长缩放的有用见解就会丢失，必须小心确保实际收敛。我们实验性地研究了有多少婴儿（比例良好的步骤）与洗澡水（精确的梯度）一起被抛出。
2015-07-16 stat.ML
Scalable Bayesian Learning for State Space Models using Variational Inference with SMC Samplers
University College of London（伦敦大学学院）；Athens University of Economics and Business（雅典经济与商业大学）；The Alan Turing Institute（艾伦·图灵研究所）
我们提出了一个可扩展的方法来执行近似完全贝叶斯推断在通用的状态空间模型。所提出的方法是一种替代粒子MCMC，提供完全贝叶斯推断的动态潜在状态和静态参数的模型。我们建立在计算统计学的最新进展，结合变分方法与序贯蒙特卡罗采样，我们证明了执行完整的贝叶斯推断的静态参数，而不仅仅是执行变分EM近似的优势。我们说明了我们的方法如何使可扩展的推理，在多变量随机波动模型和自激点过程模型，允许灵活的动态的潜在强度函数。
2019-02-12 cs.LG stat.ML
A Bayesian Tensor Factorization Model via Variational Inference for Link Prediction
本文提出基于变分贝叶斯推断的张量分解模型，用于解决链接预测问题，相比最大似然方法在大规模数据集上表现更优。
2014-09-29 cs.LG cs.NA math.NA
Walsh-Hadamard Variational Inference for Bayesian Deep Learning
EURECOM（欧洲通信学院）
过度参数化的模型，如DeepNets和ConvNets，形成了一类在各种应用中常规采用的模型，并且贝叶斯推断是可取的，但极具挑战性。变分推断提供了以可扩展的方式解决这一挑战的工具，并且在近似上具有一定程度的灵活性，但是对于过参数化模型，由于变分目标的过度正则化属性，这是具有挑战性的。受核方法的文献，特别是随机矩阵分布的结构化近似的启发，本文提出了Walsh-Hadamard变分推断（WHVI），它使用基于Walsh-Hadamard的因子分解策略来减少参数化和加速计算，从而避免了变分目标的过度正则化问题。广泛的理论和实证分析表明，WHVI产生相当大的加速比和模型减少相比，其他技术进行近似推理过参数化模型，并最终显示如何在核方法的进步可以转化为近似贝叶斯推断的进步。
2020-11-23 cs.LG stat.ML
Bayesian variational inference for exponential random graph models
指数随机图模型的贝叶斯推断是一个具有挑战性的“双重棘手”问题，因为似然和后验密度的归一化常数都是棘手的。马尔可夫链蒙特卡罗（MCMC）方法，产生贝叶斯推断的ERGM，如交换算法，是渐近精确的，但计算密集，因为网络必须从每一步的可能性，例如，使用“领带不领带”采样器。在这篇文章中，我们发展了各种变分方法的高斯近似的后验密度和模型选择。这些方法包括基于调整后的伪变分和随机变分推断的非共轭变分消息传递。为了克服在每次迭代时从可能性绘制网络的计算障碍，我们提出了随机梯度上升，使用自适应自归一化重要性抽样计算有偏但一致的梯度估计。这些方法提供了有吸引力的快速替代MCMC后验近似。我们说明了变分方法使用真实的网络，并通过MCMC和拉普拉斯近似得到的结果比较其精度。
2019-11-23 stat.CO
Variational Inference for GARCH-family Models
Aarhus University（奥胡斯大学）
本文针对GARCH族模型贝叶斯估计常用蒙特卡洛采样的现状，探讨变分推断的替代可行性，经大规模实验验证其是校准良好且具竞争力的贝叶斯学习方法。
2023-10-05 cs.LG econ.EM stat.ML
Variational Bayesian Monte Carlo
University of Geneva（日内瓦大学）
科学计算和机器学习中感兴趣的许多概率模型具有昂贵的黑盒似然性，这阻止了用于贝叶斯推断的标准技术的应用，例如MCMC，这将需要访问梯度或大量似然性评估。我们在这里介绍一种新的样本有效的推理框架，变分贝叶斯蒙特卡罗（VBMC）。VBMC结合了变分推断与基于高斯过程的主动采样贝叶斯求积，使用后者来有效地近似变分目标中的难处理积分。我们的方法产生的后验分布的非参数近似和模型证据的近似下界，有用的模型选择。我们证明VBMC的几个合成的可能性和神经元模型的数据从真正的神经元。在所有测试的问题和维度（直到$D = 10$）中，VBMC在重建后验和模型证据方面的表现一直很好，而不像其他方法只在非常低的维度上工作。我们的框架显示出巨大的潜力，作为一种新的工具，昂贵的，黑箱似然后验和模型推理。
2018-11-29 cs.LG q-bio.NC q-bio.QM
Uncertainty aware audiovisual activity recognition using deep Bayesian variational inference
Intel Labs（英特尔实验室）
深度神经网络（DNN）为多种应用提供了最先进的结果，但是将DNN用于多模态视听应用的方法不考虑与各个模态相关联的预测不确定性。贝叶斯深度学习方法提供原则性的置信度并量化预测的不确定性。我们在这项工作中的贡献是提出了一个不确定性感知的多模态贝叶斯融合框架的活动识别。我们展示了一种新的方法，该方法结合了确定性和变化层，以将贝叶斯DNN扩展到更深的架构。我们的实验使用的分布内和分布外的样本，从一个子集的时刻在时间（MiT）数据集显示了一个更可靠的信心措施相比，非贝叶斯基线和蒙特卡罗脱落（MC脱落）近似贝叶斯推断。我们还证明了从所提出的框架中获得的不确定性估计可以识别UCF101和MiT数据集上的分布外数据。在多模态设置中，与非贝叶斯基线相比，所提出的框架在MiT数据集的子集上将精确召回AUC提高了10.2%。
2019-09-20 cs.LG cs.NE stat.ML
Variational Inference over Non-differentiable Cardiac Simulators using Bayesian Optimization
在模拟器上执行推理通常是棘手的，因为它们的运行时间意味着我们无法计算边际可能性。我们开发了一种无似然推理方法来推断心脏模拟器的参数，该心脏模拟器复制通过心脏到体表的电流。我们改进了最先进的模拟器与真实患者记录的心电图（ECG）的拟合。
2017-12-09 stat.ML
Variational Bayes: A report on approaches and applications
New York University（纽约大学）
深度神经网络在各种各样的任务上取得了令人印象深刻的成果。然而，量化网络输出的不确定性是一项具有挑战性的任务。贝叶斯模型提供了一个数学框架来推理模型的不确定性。变分方法已经被用于近似在神经网络的贝叶斯推断中出现的难处理的积分。在这份报告中，我们回顾了有关贝叶斯神经网络的主要变分推理概念，并比较了文献中使用的各种近似方法。我们还讨论了变分贝叶斯在强化学习和持续学习中的应用。
2019-05-26 cs.LG stat.ML
Variational Inference MPC for Bayesian Model-based Reinforcement Learning
Panasonic Corp.（松下公司）；Ritsumeikan Univ.（立命馆大学）
在最近关于基于模型的强化学习（MBRL）的研究中，在前向动力学中引入不确定性是提高学习性能的最新策略，使MBRL与尖端的无模型方法竞争，特别是在模拟机器人任务中。轨迹采样概率集成（Probablenessbles with trajectory sampling，PETS）是MBRL的一种主要类型，它将贝叶斯推理应用于动力学建模和模型预测控制（Model Predictive Control，MPC），并通过交叉熵方法（Cross Entropy Method，CEM）进行随机优化。在本文中，我们提出了一种新的扩展不确定性感知MBRL。我们的主要贡献是两方面的：首先，我们引入了变分推理MPC，它重新制定了各种随机方法，包括CEM，在贝叶斯时尚。其次，我们提出了一个新的框架，称为概率动作合奏与轨迹采样（PaETS）的实例。因此，我们的贝叶斯MBRL可以涉及多模态的不确定性，无论是在动态和最佳轨迹。与PETS相比，我们的方法在几个具有挑战性的运动任务上始终提高了渐近性能。
2019-10-07 cs.LG cs.SY eess.SY
BAR: Bayesian Activity Recognition using variational inference
Intel Labs（英特尔实验室）
深度神经网络中的不确定性估计对于设计可靠和鲁棒的AI系统至关重要。用于识别可疑活动的视频监控等应用程序设计有深度神经网络（DNN），但DNN不提供不确定性估计。在安全和安全关键应用中捕获可靠的不确定性估计将有助于建立对AI系统的信任。我们的贡献是将贝叶斯深度学习框架应用于视觉活动识别应用，并量化模型的不确定性以及原则性置信度。在训练贝叶斯DNN的同时，我们利用随机变分推理技术来推断模型参数的近似后验分布，并对模型参数的后验进行蒙特卡洛采样以获得预测分布。我们表明，贝叶斯推理适用于DNN提供可靠的置信度的视觉活动识别任务相比，传统的DNN。我们还表明，与非贝叶斯基线相比，我们的方法将视觉活动识别精确度-回忆AUC提高了6.2%。我们通过选择分发视频样本的一个子集来评估我们在Moments-In-Time（MiT）活动识别数据集上的模型。
2018-12-01 cs.CV cs.LG cs.NE
Algorithms of the LDA model [REPORT]
Jožef Stefan Institute（约瑟夫·斯特凡研究所）
我们回顾了三种潜在狄利克雷分配算法（LDA）。其中两种是变分推理算法：变分贝叶斯推理和在线变分贝叶斯推理，一种是马尔可夫链蒙特卡罗（MCMC）算法--塌陷吉布斯抽样。我们比较了它们的时间复杂度和性能。我们发现，在线变分贝叶斯推理是最快的算法，仍然返回相当好的结果。
2013-07-01 cs.IR cs.LG stat.ML
A Framework for Variational Inference of Lightweight Bayesian Neural Networks with Heteroscedastic Uncertainties
Teledyne Scientific & Imaging（泰勒-扬科学与成像）
本文提出一种轻量级贝叶斯神经网络异方差不确定性变分推断框架，通过将异方差aleatoric和epistemic方差嵌入到学习参数的方差中，提升预测性能。
2026-04-30 cs.LG stat.ML
Variational Boosted Soft Trees
University of Tuebingen（图宾根大学）；Amazon（亚马逊）；Deekard（迪卡德）
基于决策树的梯度提升机器（GBM）始终在表格数据的回归和分类任务上展示最先进的结果，通常优于深度神经网络。然而，这些模型不能提供良好校准的预测不确定性，这妨碍了它们在高风险应用中用于决策。贝叶斯处理是已知的，以提高预测的不确定性校准，但以前提出的贝叶斯GBM方法要么计算昂贵，或诉诸粗糙的近似。变分推理常用于实现贝叶斯神经网络，但很难应用于GBM，因为用作弱学习器的决策树是不可微的。在本文中，我们建议实现贝叶斯GBM使用变分推理软决策树，一个完全可微的替代标准决策树Irsoy等人介绍的。我们的实验表明，变分软树和变分软GBM提供有用的不确定性估计，同时保持良好的预测性能。与最先进的贝叶斯GBM相比，所提出的模型在7/10的表格回归数据集中显示出更高的测试似然性，并且在5/10的数据集中显示出改进的分布外检测。
2023-02-22 cs.LG stat.ML
Variational Combinatorial Sequential Monte Carlo Methods for Bayesian Phylogenetic Inference
Columbia University（哥伦比亚大学）
贝叶斯系统发育推断通常使用随机游走马尔可夫链蒙特卡罗（MCMC）或组合序贯蒙特卡罗（CSMC）等算法通过拓扑和分支长度上的局部或顺序搜索来进行。然而，当MCMC用于进化参数学习时，收敛需要长时间运行，状态空间的探索效率低下。我们介绍变分组合序贯蒙特卡罗（VCSMC），一个强大的框架，建立变分顺序搜索学习分布在复杂的组合结构。然后，我们开发嵌套CSMC，一个有效的建议分布CSMC和证明嵌套CSMC是一个精确的近似（棘手的）局部最优建议。我们使用嵌套的CSMC定义第二个目标，VNCSMC产生更严格的下限比VCSMC。我们表明，VCSMC和VNCSMC的计算效率和探索更高的概率空间比现有的方法在一系列的任务。
2021-06-17 cs.LG stat.CO stat.ML
Variational Inference and Bayesian CNNs for Uncertainty Estimation in Multi-Factorial Bone Age Prediction
Institute of Computer Graphics and Vision（计算机图形与视觉研究所）；Graz University of Technology（格拉茨理工大学）；School of Computer Science（计算机科学学院）；University of Auckland（奥克兰大学）
除了在临床医学中的广泛使用外，法医学中的生物年龄（BA）还用于评估身份证明文件不可用的应用中未知的实际年龄（CA）。在文献中提出的年龄估计的自动方法是预测点估计，这可能是误导的预测不确定性的量化。在我们的MRI数据的多因素年龄估计方法中，我们使用变分推理方法来估计贝叶斯CNN模型的不确定性。区分模型不确定性和数据不确定性，我们将数据不确定性解释为生物学变异，即具有相同BA的受试者的可能CA范围。
2020-02-25 cs.LG eess.IV stat.ML
Deterministic Variational Inference for Robust Bayesian Neural Networks
Princeton Neuroscience Institute, Princeton University（普林斯顿大学神经科学研究所）；Google AI Berlin（谷歌柏林人工智能研究院）；Department of Engineering, University of Cambridge（剑桥大学工程系）；Microsoft Research, Cambridge（微软剑桥研究院）
贝叶斯神经网络（BNN）作为一种灵活而有原则的解决方案，在从有限数据中学习时处理不确定性，具有很大的前景。在深度神经网络中实现概率推理的方法中，变分贝叶斯（VB）具有理论基础、普遍适用性和计算效率。随着人们对潜在优势的广泛认识，为什么变分贝叶斯在实际应用中对BNN的实际应用非常有限？我们认为，变分推理神经网络是脆弱的：成功的实现需要仔细的初始化和调整的先验方差，以及控制方差的蒙特卡罗梯度估计。我们提供了两个创新，旨在把VB成为一个强大的推理工具贝叶斯神经网络：首先，我们引入了一种新的确定性方法来近似矩神经网络，消除梯度方差;第二，我们引入了一个分层的参数和一个新的经验贝叶斯程序自动选择先验方差。结合这两个创新，所得到的方法是高效和鲁棒的。在异方差回归的应用中，我们表现出良好的预测性能超过其他方法。
2019-03-07 cs.LG stat.ML
Collapsed Variational Inference for Nonparametric Bayesian Group Factor Analysis
Technische Universität Darmstadt（达姆施塔特工业大学）
群因子分析（Group factor analysis，GFA）方法已被广泛应用于系统生物学和神经影像学等领域的多个相关数据集，以推断其共同结构和群特异性信号。迄今为止，大多数可用的GFA模型需要吉布斯采样或切片采样来执行推断，这阻碍了GFA的实际应用到大规模数据。在本文中，我们提出了一个有效的折叠变分推理（CVI）算法的非参数贝叶斯组因子分析（NGFA）模型建立在一个分层的贝塔伯努利过程。我们的CVI算法通过边缘化特定于组的Beta过程参数，然后使用平均场方法近似塌陷空间中的真实后验来进行。合成和真实世界的数据上的实验结果表明，我们的CVI算法的NGFA相比，国家的最先进的GFA方法的有效性。
2018-09-24 cs.LG stat.ML
Sampling-Free Variational Inference of Bayesian Neural Networks by Variance Backpropagation
Heidelberg University（海德堡大学）；Özyeğin University（厄兹耶因大学）；Bosch Center for Artificial Intelligence（博世人工智能中心）
我们提出了一个新的贝叶斯神经网络制定，提供变分推断的证据下限是分析易处理的紧近似。我们通过（i）将ReLU非线性分解为恒等式和Heaviside阶跃函数的乘积，（ii）引入一个单独的路径，将神经网络期望从其方差中分解出来。我们正式证明，引入单独的潜在的二进制变量的激活允许代表的神经网络的可能性作为一个链的线性操作。执行变分推断上的这种结构，使一个采样自由计算的证据下限，这是一个更有效的近似比广泛应用的蒙特卡罗采样和CLT相关技术。我们评估了一系列回归和分类任务对BNN推理替代模型，表现出竞争力或改进的性能超过目前最先进的。
2019-06-12 cs.LG stat.ML
Good Initializations of Variational Bayes for Deep Models
EURECOM（欧洲通信学院）
随机变分推断是对深度模型进行近似贝叶斯推断的既定方法。虽然在深度学习中已经有了有效的初始化损失最小化的建议，但对随机变分推断的初始化问题的关注要少得多。我们解决这个问题，提出了一种新的逐层初始化策略的基础上贝叶斯线性模型。所提出的方法在回归和分类任务上得到了广泛的验证，包括贝叶斯DeepNets和ConvNets，与损失最小化初始化文献启发的替代方案相比，显示出更快和更好的收敛性。
2019-01-25 cs.LG stat.ML
Frequentist Consistency of Variational Bayes
Columbia University（哥伦比亚大学）
现代贝叶斯统计的一个关键挑战是如何对后验分布进行可扩展的推断。为了解决这个问题，变分贝叶斯（VB）方法已经成为一个流行的替代经典的马尔可夫链蒙特卡罗（MCMC）方法。VB方法往往更快，同时实现相当的预测性能。然而，围绕VB的理论研究成果很少。本文证明了VB方法的频率相合性和渐近正态性。具体来说，我们连接VB方法的变分近似，称为频率变分近似的基础上的点估计，我们使用的连接证明变分伯恩斯坦-冯米塞斯定理。该定理利用频率论变分逼近的理论特征来理解VB的渐近性质。总之，我们证明了（1）VB后验收敛到正态分布的Kullback-Leibler（KL）极小值，以真值为中心，（2）相应的变分期望是一致的，渐近正态的。作为定理的应用，我们得到了贝叶斯混合模型、贝叶斯广义线性混合模型和贝叶斯随机块模型中VB后验的渐近性质。我们进行了模拟研究来说明这些理论结果。
2021-07-08 cs.LG math.ST stat.ML
Variational inference for neural network matrix factorization and its application to stochastic blockmodeling
Goldman Sachs（高盛集团）
我们考虑了神经网络矩阵因子分解的概率模拟（Dziugaite & Roy，2015），我们用贝叶斯神经网络构建，并用变分推断拟合。我们发现，一个线性模型与变分推断可以达到相同的预测性能的常规神经网络变体上的Movielens数据集。我们讨论了这一结果的影响，其中包括一些建议的利弊使用神经网络建设，以及变分推理方法。这样的概率方法是必需的，但是，当考虑到重要的一类随机块模型。我们描述了一个变分推断算法的神经网络矩阵分解模型与非参数块结构，并评估其性能的NIPS合著数据集。
2019-08-15 cs.LG stat.ML
Variational Inference for Bayesian Neural Networks under Model and Parameter Uncertainty
University of Oslo（奥斯陆大学）；NMBU（挪威生命科学大学）；HiOF（东福尔郡大学学院）
针对现有贝叶斯神经网络无法同时处理结构与参数不确定性的问题，提出结合模型不确定性框架与重参数化变分推断的方法，在联合空间推断，实现了与现有模型相当且更稀疏的效果。
2023-05-01 cs.LG stat.ML
Hybrid Variational/Gibbs Collapsed Inference in Topic Models
University of California Irvine（加利福尼亚大学欧文分校）；University College London（伦敦大学学院）；Radboud University Nijmegen（拉德堡德大学）
变分贝叶斯推理和（塌陷）吉布斯抽样是贝叶斯网络的两类重要的推理算法。两者都有其优点和缺点：塌陷吉布斯采样是无偏的，但对于大计数值也是低效的，并且需要对许多样本进行平均以减少方差。另一方面，变分贝叶斯推理是有效的，准确的大计数值，但遭受小计数的偏见。我们提出了一种混合算法，结合了两个世界的最佳：它的样本非常小的计数和应用变分更新大计数。这种杂交显着提高测试集的困惑相对于变分推理在没有计算成本。
2012-06-13 cs.LG stat.ML
Variational Bayesian hierarchical regression for data analysis
用于分析或预测任务的收集的数据通常具有分层结构，例如，来自执行相同任务的各个人的数据。对数据结构进行建模可以提高导出结果的可靠性和新的未观测数据的预测性能。贝叶斯建模为设计层次模型提供了一个工具包。然而，通常用于参数估计的马尔可夫链蒙特卡罗方法在计算上昂贵。这通常使其在许多应用中不适用。然而，变分贝叶斯方法允许以少得多的计算工作量得到近似。本文描述了分层线性贝叶斯回归的变分近似的推导，并演示了其在数据分析中的应用。
2018-11-08 stat.AP
Bayesian and Variational Bayesian approaches for flows in heterogenous random media
本文研究非均质随机介质中的渗流问题。我们提出了一种高效的正演模拟技术，是专为变分贝叶斯反演。作为一个出发点，提出的前向模拟技术分解的解决方案到可分离的函数（相对于随机性和空间），其中每一项计算的基础上变分方法的总和。这类似于适当的广义分解（PGD）。接下来，我们应用多尺度技术来求解每个项，并进一步将随机函数分解为1D字段。因此，我们提出的方法提供了一个近似层次的解决方案，因为我们增加了扩展中的术语数量，也增加了每个术语的空间分辨率。我们使用变分贝叶斯近似的分层解决方案分布进行反问题的不确定性量化。我们进行了详细的数值研究，以探讨所提出的不确定性量化技术的性能，并显示理论后验浓度。
2018-02-09 stat.AP stat.CO
Phase recovery from a Bayesian point of view: the variational approach
在本文中，我们考虑的相位恢复问题，其中一个复杂的信号矢量估计的知识，其线性投影的模，从一个天真的变分贝叶斯的观点。特别是，我们推导出一个迭代算法的Kullback-Leibler分歧的平均场假设下的最小化，并显示随机投影的合成数据，这种方法导致一个有效的和强大的程序，具有良好的计算成本。
2015-02-09 cs.IT math.IT math.ST
VarFA: A Variational Factor Analysis Framework For Efficient Bayesian Learning Analytics
Rice University（莱斯大学）；Northwestern University（西北大学）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；OpenStax
我们提出VarFA，一个变分推断因子分析框架，扩展现有的因子分析模型的教育数据挖掘，有效地输出模型的估计因素的不确定性估计。这样的不确定性信息例如对于自适应测试场景是有用的，其中如果模型对学生的技能水平估计不太确定，则可以管理附加测试。产生这种不确定性信息的传统贝叶斯推断方法在计算上是昂贵的，并且不能扩展到大的数据集。VarFA利用变分推断，这使得即使在非常大的数据集上也可以有效地执行贝叶斯推断。我们使用稀疏因子分析模型作为案例研究，并证明了VarFA在合成和真实数据集上的有效性。VarFA也非常通用，可以应用于各种因子分析模型。
2020-08-14 cs.CY cs.LG stat.AP
Variational Bayesian Weighted Complex Network Reconstruction
Xi’an Jiaotong University（西安交通大学）；Henan University（河南大学）
复杂网络重构是当前许多领域的研究热点。目前，最流行的数据驱动重建框架是基于lasso的。然而，它被发现，在噪声的存在下，套索失去了加权网络的效率。本文建立了一个新的框架来处理这个问题。其核心思想是采用一系列的线性回归问题来建模网络节点之间的关系，然后使用一个有效的变分贝叶斯算法来推断未知系数。对合成数据和真实数据进行的数值实验表明，新方法在重建精度和运行速度方面均优于lasso。
2020-02-29 cs.LG cs.SI stat.AP
Bayesian Structural Model Updating with Multimodal Variational Autoencoder
The University of Tokyo（东京大学）
本研究提出基于多模态VAE代理单模态编码器的贝叶斯结构模型更新框架，可处理少观测下的似然近似与高维相关观测，经测试在保证精度的同时比原始VAE计算效率更高。
2024-06-20 cs.LG stat.AP stat.ML
Stochastic Variational Bayesian Inference for a Nonlinear Forward Model
变分贝叶斯（VB）已被用来方便计算后验分布的贝叶斯推断的非线性模型的参数从数据的背景下。以前的VB的分析配方已经推导出非线性模型推断数据与加性高斯噪声作为替代非线性最小二乘。在这里，一个随机的解决方案，避免了一些分析公式所需的近似，提供了一个解决方案，可以更灵活地部署非线性模型推理问题。随机VB解决方案用于推理的双指数玩具的情况下，算法的参数空间探索，被部署在实际数据的磁共振成像研究灌注之前。新的方法被发现，以实现可比的参数恢复的解析解和竞争力的计算速度，尽管依赖于采样。
2020-07-03 eess.SP stat.AP stat.ML
