• 主题
高级搜索  >
历史搜索 清空历史
首页> 美国卫生研究院文献>other >Bayesian Estimation of Latently-grouped Parameters in Undirected Graphical Models
【2h】

Bayesian Estimation of Latently-grouped Parameters in Undirected Graphical Models

机译：无向图形模型中潜在分组参数的贝叶斯估计

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

In large-scale applications of undirected graphical models, such as social networks and biological networks, similar patterns occur frequently and give rise to similar parameters. In this situation, it is beneficial to group the parameters for more efficient learning. We show that even when the grouping is unknown, we can infer these parameter groups during learning via a Bayesian approach. We impose a Dirichlet process prior on the parameters. Posterior inference usually involves calculating intractable terms, and we propose two approximation algorithms, namely a Metropolis-Hastings algorithm with auxiliary variables and a Gibbs sampling algorithm with “stripped” Beta approximation (Gibbs_SBA). Simulations show that both algorithms outperform conventional maximum likelihood estimation (MLE). Gibbs_SBA’s performance is close to Gibbs sampling with exact likelihood calculation. Models learned with Gibbs_SBA also generalize better than the models learned by MLE on real-world Senate voting data.
机译：在诸如社会网络和生物网络之类的无向图形模型的大规模应用中，相似的模式经常出现并产生相似的参数。在这种情况下，对参数进行分组以提高学习效率是有益的。我们表明，即使分组是未知的，我们也可以在学习期间通过贝叶斯方法推断这些参数组。我们先对参数施加Dirichlet过程。后验推断通常涉及计算难解项，我们提出了两种近似算法，即具有辅助变量的Metropolis-Hastings算法和具有“剥离” Beta近似（Gibbs_SBA）的Gibbs采样算法。仿真表明，两种算法均优于传统的最大似然估计（MLE）。通过精确的似然计算，Gibbs_SBA的性能接近于Gibbs采样。使用Gibbs_SBA学习的模型比通过MLE学习的关于参议院实际投票数据的模型的泛化效果也更好。

著录项

  • 期刊名称 other
  • 作者

    Jie Liu; David Page;

  • 作者单位
  • 年(卷),期 -1(2013),-1
  • 年度 -1
  • 页码 1232–1240
  • 总页数 20
  • 原文格式 PDF
  • 正文语种
  • 中图分类
  • 关键词

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号