• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Biometrika >Seeking efficient data augmentation schemes via conditional and marginal augmentation
【24h】

Seeking efficient data augmentation schemes via conditional and marginal augmentation

机译：通过条件和边缘增强寻求高效的数据增强方案

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

Data augmentation, sometimes known as the method of auxiliary variables, is a powerful tool for constructing optimisation and simulation algorithms. In the context of optimisation, Meng & van Dyk (1997, 1998) reported several successes of the 'working parameter' approach for constructing efficient data-augmentation schemes for fast and simple EM-type algorithms. This paper investigates the use of working parameters in the context of Markov chain Monte Carlo, in particular in the context of Tanner & Wong's (1987) data augmentation algorithm, via a theoretical study of two working-parameter approaches, the conditional augmentation approach and the marginal augmentation approach. Posterior sampling under the univariate #iota# model is used as a running example, which particularly illustrates how the marginal augmentation approach obtains a fast-mixing positive recurrent Markov chain by first constructing a nonpositive recurrent Markov chain in a larger space.
机译：数据增强，有时称为辅助变量的方法，是构造优化和仿真算法的强大工具。 在优化的背景下，Meng＆Van Dyk（1997,1998）报告了“工作参数”方法的几个成功，用于建设快速和简单的EM型算法的高效数据增强方案。 本文调查了在马尔可夫链蒙特卡罗的背景下的工作参数，特别是在Tanner＆Wong（1987）数据增强算法的背景下，通过两个工作参数方法，条件增强方法和的理论研究 边缘增强方法。 单变量组＃IOTA＃模型下的后部采样用作跑步示例，特别说明了通过首先在更大的空间中构建非阳性复发性马尔可夫链来获得快速混合的阳性复发性马尔可夫链。

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