Objective Bayesian Analysis for the Differential Entropy of the Gamma Distribution
本文提出一种客观贝叶斯方法,通过重新参数化伽马分布并推导多种客观先验,估计其微分熵的后验分布,经模拟和两个数据集验证了方法的有效性。
2023-11-13 math.ST stat.AP stat.TH
Learning Approximately Objective Priors
信息贝叶斯先验通常很难引出,当这种情况下,建模者通常转向非信息或客观先验。然而,客观的先验,如杰弗里斯和参考先验是不听话的,以获得许多模型的利益。我们解决这个问题,提出了学习参考先验近似的技术:我们选择一个参数的家庭和优化的黑盒下限的参考先验目标,找到家庭的成员,作为一个很好的近似。实验证明了该方法的有效性,通过恢复Jeffreys先验和学习变分自动编码器的参考先验。
2017-08-04 stat.CO stat.ML
A multidimensional objective prior distribution from a scoring rule
客观先验的构造对于多维参数空间来说充其量是具有挑战性的。通常的做法是假设独立性,并将联合先验设置为通过“标准”客观方法(如Jeffreys或参考先验)获得的边缘分布的乘积。然而,先验的独立性假设并不总是合理的,它是否可以被视为严格客观的仍然有待讨论。在本文中,通过扩展以前提出的客观方法的基础上评分规则的一维情况下,我们提出了一种新的客观的多维参数空间,产生一个依赖结构。所提出的先验知识具有适当的吸引力,并且不依赖于所选择的模型;仅依赖于所考虑的参数空间。
2023-02-06 stat.ME
Training samples in objective Bayesian model selection
贝叶斯模型选择的几种客观方法的核心是使用训练样本(数据的子集),以便允许利用不适当的客观先验。选择训练样本的最常见方法是选择尽可能小的样本,以产生适当的后验,这些样本被称为最小训练样本。当数据在信息内容或对不适当先验的影响方面可能差异很大时,使用最少的训练样本可能是不够的。重要的例子包括某些情况下的离散数据,删失观测的存在,以及某些情况下,涉及线性模型和解释变量。这种情况需要更复杂的方法来选择训练样本。本文开发了多种这样的方法,并成功地应用于具有挑战性的情况。
2004-06-23 math.ST stat.TH
A fully objective Bayesian approach for the Behrens-Fisher problem using historical studies
对于具有小样本量和可用历史数据的体内研究实验,我们提出了一种用于Beynolds-Fisher问题的序贯贝叶斯方法。我们认为这是一个模型选择问题,有两个模型在竞争:一个是两个期望是相等的,另一个是不同的。这两个模型之间的选择是通过贝叶斯分析,基于组合的客观和主观先验的鲁棒选择,设置在参数空间和模型空间。使用与感兴趣的数据集相似的两个历史数据集来评估每个模型的后验概率需要三个步骤。从Jeffreys先验开始,推导出使用第一历史数据集的后验,并且除了模型空间上的均匀先验之外,还允许校准第二历史数据集分析的正态伽马信息先验。从第二步开始,参数空间和模型空间上的新后验可以用作最后贝叶斯分析的客观信息先验。贝叶斯和频率的方法进行了比较模拟和真实的数据。根据FDA的建议,对I型和II型差错率的控制进行了评价。所提出的方法控制它们,即使历史实验并不完全相似的一个感兴趣的。
2016-11-21 math.PR math.ST stat.TH
On a Class of Objective Priors from Scoring Rules
客观的先验分布是一个重要的工具,它使人们即使在无法获得模型参数信息的情况下,也能利用贝叶斯框架的优势。通常的客观方法是根据所选择的统计模型来工作的,并且在大多数情况下,所得到的先验是不适当的,这可能对实际实现造成限制,即使当模型的复杂性是中等的。在本文中,我们建议采取一种新的眼光在建设的目标先验分布,与选定的抽样分布模型的连接被删除。我们探讨的概念,定义客观的先验分布,允许有一定程度的灵活性,特别是在表现出一些理想的功能,如适当的,或集中在特定的值,这将是感兴趣的嵌套模型比较。我们使用的基本工具是适当的评分规则和主要的结果是一类客观的先验分布,可以采用的情况下,通常的基于模型的先验失败,如混合模型和模型选择通过贝叶斯因子。此外,我们表明,所提出的类先验是最小化它所包含的信息的结果,提供坚实的解释的方法。
2018-09-23 stat.AP stat.ME stat.OT
Objective Bayesian Inference for Bilateral Data
本文提出了在Dallal模型和饱和模型下分析双边数据的三种客观贝叶斯方法。三个参数是有意义的,即风险差、风险比和比值比。我们推导出Jeffreys的先验和Bernardo的参考先验与Dallal模型的三个参数。我们推导了风险差和风险比的后验分布的函数形式,并讨论了如何从它们的后验分布中抽样。我们展示了使用所提出的方法与两个真实的数据的例子。我们还研究了小,中,大样本特性所提出的方法和频率对应通过模拟。
2015-04-24 math.ST stat.TH
Objective Bayesian analysis for the generalized exponential distribution
本文针对广义指数分布提出基于独立 Jeffreys 先验的客观贝叶斯推断,验证后验适定性,并通过广义均匀比抽样算法进行高效后验推断,模拟和真实数据验证了方法表现。
2023-09-23 math.ST stat.ME stat.TH
Loss-based Objective and Penalizing Priors for Model Selection Problems
提出风险均衡先验和风险惩罚先验,作为贝叶斯模型选择中仅依赖模型空间和损失函数的客观先验,揭示了损失函数对先验属性的影响,并通过变量选择和聚类分析验证。
2023-11-22 stat.ME
Objective Bayesian meta-analysis based on generalized multivariate random effects model
目的推导推广到椭圆等高分布的多元随机效应模型参数的贝叶斯推断方法。通过分配两个无信息先验的模型参数,即Berger和Bernardo参考先验和Jeffreys先验,推导出总体平均向量和研究间协方差阵的后验,其解析表达式在弱分布假设下获得。结果表明,后验是适当的唯一条件是,样本量大于数据生成模型的尺寸,独立的椭圆轮廓分布的广义多变量随机效应模型的定义中使用的类。本文的理论研究结果被应用到实际数据组成的10项研究的有效性,高血压治疗降低血压的处理效应的收缩压和舒张压进行了调查。
2021-04-05 math.ST stat.ME stat.TH
Objective Priors for the Conway-Maxwell-Poisson (COM-Poisson) Distribution
Georgetown University(乔治城大学);North Carolina State University(北卡罗来纳州立大学)
针对COM-Poisson分布基础模型客观先验研究不足的问题,提出四种客观先验,含独立杰弗里斯先验与新型分层参考先验,通过优化与Stan采样实现,经模拟与实例验证有效性。
2026-09-02 stat.ME
Objective Bayes testing of Poisson versus inflated Poisson models
泊松分布通常用作计数数据的标准模型。然而,这样的数据集往往不能很好地拟合泊松模型,因为它们具有比与该模型兼容的更多的零。对于这些情况,通常提出零膨胀泊松(ZIP)分布。本文讨论了测试泊松与ZIP模型,使用贝叶斯方法的基础上适当的客观先验。客观先验的具体选择是合理的,他们的财产调查。该方法扩展到包括回归模型中的协变量。给出了几种应用。
2008-05-21 math.ST stat.ME stat.TH
Consistency of objective Bayes factors as the model dimension grows
在具有有限数量回归变量的正态回归模型类中,并且对于广泛的一类先验分布,基于贝叶斯因子的贝叶斯模型选择过程是一致的[Casella和Moreno J. Amer. Statist. 104(2009)1261- 1271]。然而,在模型中,参数的数量随着样本量的增加而增加,贝叶斯因子的属性并不完全清楚。本文研究了当回归变量个数随样本量增加时,嵌套正态线性模型的Bayes因子的相合性。我们注意到两个成功的工具模型选择[施瓦茨安。6(1978)461- 464]近似的贝叶斯因子,以及内在先验的贝叶斯因子[Berger和Pericchi J. Amer. Statist. Assoc.91(1996)109- 122,Moreno,Bertolino和Lacugno J. Amer. Statistist. Assoc.93(1998)1451- 1460]。我们发现当大模型的维数增长率为$O(n^b)$时,Schwarz近似和内在先验的Bayes因子是一致的,其中对$b<1$ .当$b=1$的Schwarz近似总是不一致的替代下,而贝叶斯因子的内在先验是一致的,除了一小部分替代模型的特点。
2010-10-19 math.ST stat.TH
Properly constrained reference priors decay rates for efficient and robust posterior inference
本文提出两种约束纳入策略,构建可处理的参考先验,调和客观性与可计算性,强调Jeffreys先验衰减率的核心作用,并用文献示例验证其实际适用性。
2024-09-19 math.ST stat.ME stat.TH
Objective Bayesian hypothesis testing in binomial regression models with integral prior distributions
在这项工作中,我们应用积分先验的方法来处理贝叶斯模型选择在二项式回归模型与一般的链接功能。这些模型经常用于调查流行病学研究中的关联和风险,其中一个目标是展示暴露是否是发展某种疾病的风险因素;本文的目的是测试特定暴露因素的影响。我们制定了贝叶斯模型选择情况下的问题,并解决它使用客观贝叶斯因素。为了在二项回归模型的回归系数上构造参考先验分布,我们依赖于积分先验的方法,该方法几乎是自动的,因为它只需要指定估计参考先验,并且不依赖于这些先验中的调整参数或超参数。
2013-06-28 stat.CO stat.ME
Objective Bayesian Analysis of the Yule-Simon Distribution with Applications
Yule-Simon分布通常用于频率数据的分析。由于贝叶斯文献,到目前为止,忽略了这个分布,在这里,我们显示了两个客观先验的推导的参数的Yule-Simon分布。特别是,我们讨论了Jeffreys先验和基于损失的先验,最近出现在文献中。我们通过模拟研究和对真实数据集的分析说明了推导出的先验的性能。
2016-04-19 stat.CO stat.ME
Objective Priors in the Empirical Bayes Framework
在处理贝叶斯推断时,先验的选择往往仍然是一个有争议的问题。经验贝叶斯方法通过从数据集合估计先验本身来提供对该问题的数据驱动的解决方案。在非参数情况下,已知最大似然估计会过拟合数据,这是一个通常通过正则化来解决的问题。然而,大多数正则化是临时选择,在模型的重新参数化下缺乏不变性,并导致等价模型的估计不一致。我们介绍了一个非参数,变换不变估计的先验分布。它被定义为类似于参考先验的缺失信息,可以被视为后者对数据驱动设置的扩展。这意味着一个自然的解释之间的权衡选择最少的信息先验和纳入数据提供的信息,客观和经验贝叶斯方法之间的共生。
2020-05-11 stat.ME
Objective Priors: An Introduction for Frequentists
贝叶斯方法在统计学的理论和实践中得到越来越多的应用。任何贝叶斯推断都依赖于可能性和先验。理想情况下,人们希望从相关的信息源或过去的数据中得出先验。然而,在没有它的情况下,贝叶斯方法需要依赖于一些“客观”或“默认”的先验,由此产生的后验推理仍然是相当有价值的。毫不奇怪,多年来,客观先验的目录也变得非常庞大,人们必须为选择这些先验设定一些特定的标准。我们的目的是回顾其中的一些标准,比较它们的性能,并用一些简单的例子来说明它们。虽然对于非常大的样本量,它不可能是重要的客观先验的使用,这样的先验的选择确实影响小或中等样本的推断。对于渐近正态性成立的正则模型,Jeffreys的一般规则先验,即费舍尔信息矩阵行列式的正平方根,在没有多余参数的情况下具有许多最优性性质。然而,在滋扰参数的存在下,有许多其他的先验出现作为最佳的取决于所选择的标准。在这篇文章中的一个新的特点是,一个不同于Jeffreys的先验被证明是最佳的卡方发散准则下,即使在没有滋扰参数。后者在一对一重新参数化下也是不变的。
2011-08-10 stat.ME
Objective Bayesian inference for the Dhillon distribution
本文为Dhillon分布提出目标贝叶斯框架,推导三种目标先验,证明后验性质,通过MCMC进行推断,并模拟与实证验证其有效性。
2025-09-08 stat.ME
Objective Bayesian approach to the Jeffreys-Lindley paradox
我们认为Jeffreys-Lindley悖论从一个客观的贝叶斯的角度来看,试图找到先验代表完全无关的样本量的问题。这意味着我们确保未知均值的先验和$t$ -统计量的先验预测与样本量无关。如果成功,这将导致贝叶斯模型比较,是独立的样本量和改善的悖论。不幸的是,它会导致一个不适当的尺度不变的先验未知的意思。然而,我们发现,截断尺度不变的先验延迟依赖于样本量,这可能是实际上显着的。最后,我们揭示了悖论,将其与尺度不变先验是不适当的这一事实联系起来。
2022-04-14 hep-ph physics.data-an stat.ME
Objective priors for the number of degrees of freedom of a multivariate t distribution and the t-copula
提出了一种估计多变量$t$分布和$t$ -copula的自由度数$(ν)$的客观贝叶斯方法。对于多变量$t$和由于没有任何方法,对于$t$ -copula,对这个参数的推断是有问题的。采用了基于损失函数的客观标准,可以克服直接定义客观概率的问题。$ν$的先验的支持被截断,这来自于多变量$t$和$t$ -copula对于足够大的自由度收敛到正态的性质。先验的性能进行了测试模拟场景。R代码和复制材料可作为论文电子版的补充材料和真实数据:IBM和证券价格数据库研究中心的每日对数回报。
2018-03-13 stat.AP stat.ME
Objective Bayesian Analysis for the Lomax Distribution
在本文中,我们提出了贝叶斯推断的参数的Lomax分布使用非信息先验,即Jeffreys先验和参考先验。我们通过使用500个模拟数据集的蒙特卡罗研究评估贝叶斯估计。为了评估先验规范对估计可能产生的影响,考虑了两个标准:偏差和均方误差的平方根。所开发的程序说明了一个真实的数据集。
2016-02-26 stat.ME
Invited Discussion of "Model Uncertainty and Missing Data: An Objective Bayesian Perspective" by Gonzalo García-Donato , María Eugenia Castellanos , Stefano Cabras Alicia Quirós , and Anabel Forte
Duke University(杜克大学)
文章从客观贝叶斯视角出发,提出一种在高斯回归框架下同时处理模型不确定性和缺失数据的方法,并探讨了填补$g$-先验与图模型模型选择的联系。
2025-12-02 math.ST stat.ME stat.OT
Deterministic Objective Bayesian Analysis for Spatial Models
本文针对空间相关数据的Gaussian process模型,结合已有参考先验,提出基于信赖域优化、精确后验导数和Chebyshev自适应稀疏网格的确定性全贝叶斯预测与推断算法。
2023-07-18 stat.CO stat.ME
Objective Bayesian Analysis for Change Point Problems
在本文中,我们提出了一种基于损失的方法来进行变点分析。特别是,我们从两个角度看待这个问题。第一个集中在先验的定义时,改变点的数量是已知的先验。第二个贡献的目的是通过使用最近在文献中介绍的基于损失的方法来估计变点的数量。后者将变化点估计视为模型选择练习。我们展示了所提出的方法在模拟数据和真实数据集上的性能。
2018-01-07 math.ST stat.AP stat.CO
A Bayesian/Information Theoretic Model of Bias Learning
London School of Economics(伦敦政治经济学院);Royal Holloway College(皇家霍洛威学院);University of London(伦敦大学)
在本文中,学习适当的偏见相关任务的环境中的问题进行了检查,从贝叶斯的角度来看。相关任务的环境被证明是自然建模的概念{ \em目标}先验分布。从客观先验采样对应于从环境中采样不同的学习任务。有人认为,对于许多常见的机器学习问题,虽然我们不知道问题的真实(客观)先验,但我们确实知道真实先验所属的一组可能先验。结果表明,在这些情况下,学习者可以使用贝叶斯推理,学习真正的先验采样从客观的先验。当一个任务与其他几个任务同时学习时,给出了学习该任务所需的信息量的界限。边界表明,如果学习者对真实先验知识知之甚少,并且真实先验的维数很小,则对多个任务进行采样是非常有利的。
2019-11-14 cs.LG stat.ML
Thinking inside the box: A tutorial on grey-box Bayesian optimization
贝叶斯优化(BO)是一个全局优化的目标函数的评估费用的框架。经典的BO方法假设目标函数是一个黑盒。然而,关于目标函数计算的内部信息通常是可用的。例如,在通过仿真优化生产线的吞吐量时,我们除了观察总吞吐量外,还观察每个工作站等待的零件数量。最近的BO方法利用这些内部信息来显著提高性能。我们称之为“灰盒”BO方法,因为它们将目标计算视为部分可观察的,甚至是可修改的,将黑盒方法与目标函数计算的所谓“白盒”第一原理知识混合在一起。本教程描述了这些方法,重点是复合目标函数的BO,其中可以观察和选择性地评估进入整体目标的各个成分;和多保真度BO,其中可以通过改变评估Oracle的参数来评估目标函数的更便宜的近似值。
2022-01-02 cs.LG math.OC stat.ML
Accelerated Bayesian Optimization throughWeight-Prior Tuning
Deakin University(迪肯大学);Office of National Statistics(国家统计局);University of Western Sydney(西悉尼大学);National University of Singapore(新加坡国立大学)
贝叶斯优化(BO)是一种广泛使用的优化昂贵(评估)问题的方法。大多数BO方法的核心是使用高斯过程(GP)对目标函数建模,该高斯过程的协方差选自一组标准的协方差函数。从权重空间的角度来看,这将目标建模为由给定协方差K隐含的特征空间中的线性函数,具有任意高斯权重先验${\bf w} \sim \mathcal{N} ({\bf 0}, {\bf I})$。在许多实际应用中,存在与目标具有类似(协方差)结构的可用数据,但是其具有不同的形式,不能直接用于标准迁移学习。在本文中,我们将展示如何使用这些辅助数据来构建一个GP协方差对应于一个更合适的权重之前的目标函数。在此基础上,我们表明,我们可以加速BO建模的目标函数使用这个(学习)权重先验,我们证明了测试功能和短聚合物纤维制造的实际应用。
2020-02-06 cs.LG stat.ML
Hypervolume-based Multi-objective Bayesian Optimization with Student-t Processes
IDLab;Ghent University - imec(根特大学 - imec)
Student- $t$过程最近被提出作为一种有吸引力的替代非参数函数先验。它们具有增强的灵活性和预测方差。在这项工作中,学生$t$过程的使用进行了探索多目标贝叶斯优化。特别是,一个分析表达式的超体积为基础的概率改进独立的学生$t$过程先验的目标。它的有效性示出的多目标优化问题,这是已知的是难以与传统的高斯过程。
2016-12-01 cs.LG stat.ML
The Whetstone and the Alum Block: Balanced Objective Bayesian Comparison of Nested Models for Discrete Data
当使用贝叶斯因子比较两个嵌套模型时,从客观的角度来看,在选择两个模型下的参数先验时出现了两个看似矛盾的问题。一方面,对于中等样本量,有利于较小模型的证据可以通过较大模型下先验的扩散而膨胀。另一方面,渐进地,支持较小模型的证据通常以较慢的速度积累。参考离散数据模型,我们表明,这两个问题可以联合处理,通过结合内在先验和非局部先验在一个新的统一类先验。我们在一个运行的Bernoulli例子中说明我们的想法,然后我们应用它们来测试两个比例的相等性,最后我们处理更一般的逻辑斯谛回归模型。
2013-10-02 stat.ME
Objective Bayes Covariate-Adjusted Sparse Graphical Model Selection
提出了一种用于高斯多元回归模型中协方差选择的客观贝叶斯方法,该模型的误差项具有关于有向无环图(DAG)的马尔可夫协方差结构。范围是协变量调整稀疏图形模型选择,一个日益重要的主题,特别是在遗传基因组学(eQTL分析)领域。具体来说,我们提供了一个封闭形式的表达的边缘可能性的任何DAG(与小的父集),其计算几乎不需要主观的启发由用户,只涉及共轭矩阵正常Wishart分布。这是通过一种特定形式的先验分配来实现的,根据分数贝叶斯因子的概念,在完整的DAG模型下只需要指定一个先验。其他DAG模型下的所有先验都是使用Geiger & Heckerman(2002)的术语中的先验模块性和全局参数独立性导出的。由于我们获得的边际似然是恒定的每一类马尔可夫等价的DAG,我们的方法自然专门协变量调整可分解的图形模型。
2015-10-08 stat.ME
Objective Bayesian Comparison of Order-Constrained Models in Contingency Tables
在社会和生物医学科学中,列联表中的测试通常涉及对单元概率参数的顺序限制。我们开发了客观的贝叶斯方法,用于在产品二项或多项抽样下观察时的顺序约束检验和模型比较。具体来说,我们考虑测试的单调顺序的参数对所有参数的平等。我们的策略以统一的方式结合了内在先验方法和包含先验方法,以计算贝叶斯因子和后验模型概率。我们的方法的性能进行了评估几个模拟研究和真实的数据集。
2018-10-23 stat.ME
Limiting the Shrinkage for the Exceptional by Objective Robust Bayesian Analysis: the `Clemente Problem'
针对统计学中的克莱门特问题(借强度分析中异常案例的处理难题),提出采用重尾先验的稳健贝叶斯方法,可复现两类经典估计量,经验贝叶斯与全贝叶斯方法均能缓解该问题且平方误差优于James-Stein估计量。
2025-06-11 stat.ME
Objective Bayesian Model Discrimination in Follow-up Experimental Designs
初始筛选实验可能导致关于在解释结果变量的变化中起作用的因素的模糊结论:因此增加随访运行变得必要。我们提出了一个完全贝叶斯客观的方法,后续设计,使用先验分布适合于模型选择。我们采用一个模型标准的基础上的加权平均值的库尔贝克-莱布勒散度预测分布的所有可能的模型对。当应用于实际数据,我们的方法产生的结果相比,有利的主观弱信息先验的基础上以前的分析。
2014-05-12 stat.ME
Power-Expected-Posterior Priors as Mixtures of g-Priors
构造客观贝叶斯方法的先验分布的主要方法之一是随机虚观测值的概念。在这种设置下,期望后验先验(EPP)提供了几个优点,其中它具有很好的和简单的解释,并提供了一种有效的方法来建立模型之间的先验的兼容性。本文研究了正态线性模型下客观贝叶斯模型选择中幂期望后验先验的推广。我们证明,它可以表示为混合物的$g$先验,像一个广泛的先验分布下的正态线性模型,从而后验分布和贝叶斯因子推导出封闭的形式,因此保持计算易处理。比较与其他混合物的$g$先验和重点是在后验分布的g和它的效果贝叶斯模型选择和模型平均。
2020-10-08 stat.ME
On default priors for robust Bayesian estimation with divergences
本文提出了基于分歧的抗野值贝叶斯估计的客观先验。最小$γ$ -散度估计是众所周知的工作,以及对严重污染的估计。近年来,基于分歧的准后验分布的稳健贝叶斯方法也被提出。在客观贝叶斯框架下,在这种准后验分布下,违约先验分布的选择是一个重要问题。本文基于$γ$ -散度,给出了准后验分布下参考先验和矩匹配先验的一些性质。特别是,我们表明,所提出的先验近似鲁棒的污染分布的条件下,不假设任何条件的污染率。一些模拟研究也被提出。
2020-12-18 stat.ME
VMI-VAE: Variational Mutual Information Maximization Framework for VAE With Discrete and Continuous Priors
KAIST(韩国科学技术院)
变分自编码器是一种用于学习复杂数据的潜在变量模型的可扩展方法。它采用了一个明确的目标,可以很容易地优化。然而,它并没有明确衡量学习表征的质量。我们提出了一个变分互信息最大化框架VAE来解决这个问题。它提供了一个目标,最大限度地提高潜在代码和观测之间的互信息。该目标作为一个正则化,迫使VAE不忽略潜在的代码,并允许一个选择它的特定组件是最翔实的观察。最重要的是,所提出的框架提供了一种方法来评估固定VAE模型的潜在代码和观察之间的互信息。
2020-05-28 cs.IT cs.LG math.IT
Informed Bayesian T-Tests
在整个实证科学中,很少有统计程序能与流行的频率主义t检验相媲美。相比之下,贝叶斯版本的t检验一直默默无闻。然而,近年来,贝叶斯t检验的理论和实践优势已变得越来越明显,并提出了各种贝叶斯t检验,既有客观的(基于一般必要条件),也有主观的(基于专家知识)。在这里,我们提出了一个灵活的t先验的标准化效应大小,允许计算贝叶斯因子通过评估一个单一的数值积分。本规范包含以前的客观和主观t检验贝叶斯因子作为特殊情况。此外,我们提出了两个措施,知情的先验分布,量化偏离客观贝叶斯因子的预测匹配和信息一致性。我们说明了使用知情的先验分布的基础上,专家事先启发的努力。
2018-12-14 stat.ME
Posterior Ramifications of Prior Dependence Structures
McGill University(麦吉尔大学);University of Waterloo(滑铁卢大学)
该研究揭示大样本下贝叶斯后验无法保留灵活先验依赖结构的特性,梳理先验设定目标以指导实践沟通,并从后验众数渐近收敛角度分析先验copula选择的影响,给出先验依赖结构复杂度选择的建议。
2024-11-20 stat.ME
Bayesian meta-analysis of correlation coefficients through power prior
为了响应将更多贝叶斯技术引入组织研究的号召(例如,Kruschke,Aguinis,& Joo,2012; Zyphur & Oswald,2013),我们在这篇文章中提出了一种具有幂先验的贝叶斯元分析方法。该方法的主要目的是允许荟萃分析研究人员通过功效先验来控制每个单独研究对估计的总体效应大小的贡献。这是由于考虑到并非所有纳入荟萃分析的研究都应被视为同样可靠,并且通过为具有把握度的可靠研究分配更多权重,研究人员可以获得更准确反映群体效应量的总体效应量。我们以高绩效工作系统与财务绩效之间的关系为例,说明如何将这种方法应用于组织研究。我们还提供免费的在线软件,可用于进行本研究中提出的贝叶斯元分析。研究意义和未来的发展方向进行了讨论。
2014-07-29 stat.ME
Variational Mutual Information Maximization Framework for VAE Latent Codes with Continuous and Discrete Priors
Korea Advanced Institute of Science and Technology(韩国科学技术院)
学习数据的可解释和解纠缠表示是机器学习研究中的一个关键主题。变分自编码器(Variational Autoencoder,VAE)是一种学习复杂数据的有向隐变量模型的可扩展方法。它采用了一个清晰和可解释的目标,可以很容易地优化。然而,这个目标并没有提供一个明确的措施,潜在的变量表示的质量,这可能会导致他们的质量差。我们提出了变分互信息最大化框架VAE来解决这个问题。与其他方法相比,它提供了一个明确的目标,最大限度地降低潜在代码和观察之间的互信息。该目标作为一个正则化,迫使VAE不忽略潜在变量,并允许一个选择它的特定组件是最翔实的观察。最重要的是,所提出的框架提供了一种方法来评估固定VAE模型的潜在代码和观察之间的互信息。我们已经进行了我们的实验VAE模型与高斯和联合高斯和离散的潜变量。我们的结果表明,所提出的方法加强了潜在代码和观察之间的关系,并改进了学习的表示。
2020-06-02 cs.IT cs.LG math.IT
Bayesian model selection for unsupervised image deconvolution with structured Gaussian priors
本文考虑了随机模型的客观比较,以解决反问题,更具体地说,图像恢复。大多数情况下,模型比较是以监督的方式进行的,这可能是耗时的,并且部分是任意的。在这里,我们采用了无监督贝叶斯方法,并客观地比较模型的基础上,他们的后验概率,直接从数据没有地面真理可用。的概率取决于边际似然或“证据”的模型,我们诉诸Chib方法,包括吉布斯采样器。我们专注于家庭的高斯模型与循环协方差和未知的超参数,并比较不同类型的协方差阵的图像和噪声。
2020-10-13 stat.CO
Learning Hyperparameters via a Data-Emphasized Variational Objective
Tufts University(塔夫茨大学)
本文提出通过变分目标学习超参数,避免验证集带来的数据减少问题,通过数据强调的ELBO提升模型效率与准确性。
2026-04-01 cs.LG stat.ML
Flexible objective Bayesian linear regression with applications in survival analysis
本文研究了残差按正态分布的两段尺度混合分布的线性回归模型的客观贝叶斯推断。这些模型允许捕捉偏离通常的假设,正常的重尾,不对称性,和某些类型的异方差的错误。我们提出了一个一般的无信息,尺度不变,先验结构,并提供充分条件的适当性的后验分布的模型参数,其中包括情况下,当响应变量被删失。这些结果使我们能够将所提出的模型应用于生存分析。本文代表了Rubio和Hong(2015)提出的模型的贝叶斯框架的扩展。我们提出了一个模拟研究,表现出良好的频率属性的后可信区间以及点估计与建议的先验。我们用癌症患者生存分析的实际数据说明了这些模型的性能。
2016-05-06 stat.AP
An analytic example of latent information prior
最近,Komaki提出了潜在信息先验作为客观先验。在这篇短文中,我们考虑了二项模型下基于单样本的一步预测。在这种特定的情况下,潜在的信息先验解析推导,并显示为一个离散的先验。验证了Komaki的数值结果。作为副产品,我们得到了最小完全类,极大极小预测分布。
2014-10-11 math.ST stat.TH
The differential structure shared by probability and moment matching priors on non-regular statistical models via the Lie derivative
针对非正则统计模型上概率匹配先验与矩匹配先验关系不明的问题,本文利用单侧截断指数族上的信息几何,发现沿特定向量场的李导数统一提供了两类先验的条件,促进了对二者的统一理解。
2025-04-30 math.ST stat.TH