• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Statistics and computing >Scalable inference for Markov processes with intractable likelihoods
【24h】

Scalable inference for Markov processes with intractable likelihoods

机译：马尔可夫过程的可扩展推理，具有不可思议的可能性

获取原文
获取原文并翻译 | 示例
       
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Bayesian inference for Markov processes has become increasingly relevant in recent years. Problems of this type often have intractable likelihoods and prior knowledge about model rate parameters is often poor. Markov Chain Monte Carlo (MCMC) techniques can lead to exact inference in such models but in practice can suffer performance issues including long burn-in periods and poor mixing. On the other hand approximate Bayesian computation techniques can allow rapid exploration of a large parameter space but yield only approximate posterior distributions. Here we consider the combined use of approximate Bayesian computation and MCMC techniques for improved computational efficiency while retaining exact inference on parallel hardware.
机译：近年来，对马尔可夫过程的贝叶斯推断变得越来越重要。这种类型的问题通常具有难以解决的可能性，并且关于模型速率参数的先验知识通常很差。马尔可夫链蒙特卡洛（MCMC）技术可以在此类模型中进行精确推断，但在实践中会遇到性能问题，包括较长的预燃时间和不良的混合。另一方面，近似贝叶斯计算技术可允许快速探索大参数空间，但仅产生近似后验分布。在这里，我们考虑了近似贝叶斯计算和MCMC技术的结合使用，以提高计算效率，同时保留对并行硬件的精确推断。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

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