• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Statistics and computing >Non-linear regression models for Approximate Bayesian Computation
【24h】

Non-linear regression models for Approximate Bayesian Computation

机译：近似贝叶斯计算的非线性回归模型

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

Approximate Bayesian inference on the basis of summary statistics is well-suited to complex problems for which the likelihood is either mathematically or computationally intractable. However the methods that use rejection suffer from the curse of dimensionality when the number of summary statistics is increased. Here we propose a machine-learning approach to the estimation of the posterior density by introducing two innovations. The new method fits a nonlinear conditional heteroscedastic regression of the parameter on the summary statistics, and then adaptively improves estimation using importance sampling. The new algorithm is compared to the state-of-the-art approximate Bayesian methods, and achieves considerable reduction of the computational burden in two examples of inference in statistical genetics and in a queueing model.
机译：基于汇总统计量的近似贝叶斯推理非常适合于可能是数学或计算上难以解决的复杂问题。但是，当摘要统计的数量增加时，使用拒绝的方法会遭受维度的诅咒。在这里，我们通过引入两个创新提出了一种机器学习方法来估计后密度。新方法将参数的非线性条件异方差拟合到摘要统计信息中，然后使用重要性抽样自适应地改进估计。将该新算法与最新的近似贝叶斯方法进行了比较，并且在统计遗传学和排队模型的两个推理示例中，实现了相当大的计算量减轻。

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