返回
Data-driven Informative Priors for Bayesian Inference with Quasiperiodic Data
DOI:10.3847/1538-3881/ae2468.png)
摘要
En 中文
贝叶斯计算推理策略在近似具有某种周期性模型的后续分布时可能效率低下。这是因为代表周期的参数的边际后续分布的概率质量通常在参数空间的一个极小区域内高度集中。因此,有必要通过参数先验分布向推理方法提供尽可能多的信息。我们打算证明,可以通过拟合具有周期核的高斯过程(GP)从数据中构造先验分布。更具体地说,我们想证明可以近似核中与周期对应的超参数的边际后续分布。随后,该分布可用作推理方法的先验分布。我们使用自适应重要性采样方法来近似GP超参数的后续分布。然后,我们利用与周期性相关的超参数的边际后续分布,以构造参数模型的周期先验分布。此工作流程为经验贝叶斯方法,实现为将GP周期的后续分布作为模块化(截断)转移至参数模型。我们将所提出的方法应用于合成数据和真实数据。我们近似了GP核的周期后续分布,并将其作为无反馈的后续-作为-先验传递。最后,我们分析了其对边际后续分布的影响。
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
T
IF:
0
论文数:
374
被引数:
2
机构
引用论文
Marginal Likelihood Computation for Model Selection and Hypothesis Testing: An Extensive Review
SIAM REVIEW
IF6.1

