Black Box Variational Bayesian Model Averaging
Black Box Variational Bayesian Model Averaging
复制标题
黑盒变分贝叶斯模型平均
DOI：
10.1080/00031305.2022.2058611
复制
发表时间：
2022
期刊：
影响因子：
--
通讯作者：
Maiti, Tapabrata
中科院分区：
文献类型：
--
作者：
Kejzlar, Vojtech;Bhattacharya, Shrijita;Son, Mookyong;Maiti, Tapabrata
几十年来，贝叶斯模型平均 (BMA) 一直是一种流行的框架，用于系统地解释当多个竞争模型可用于描述相同或相似的物理过程时出现的模型不确定性。然而，该框架的实现面临着许多实际挑战，包括通过马尔可夫链蒙特卡罗进行后验近似和数值积分。我们提出了 BMA 的变分贝叶斯推理方法，作为标准解决方案的可行替代方案，避免了上述许多陷阱。所提出的方法是“黑匣子”，因为它可以很容易地应用于许多模型，而几乎不需要特定于模型的推导。我们通过一系列示例说明了变分方法的实用性，并讨论了所有必要的实现细节。还提供了包含所有示例的完整记录的 Python 代码。
For many decades now, Bayesian Model Averaging (BMA) has been a popular framework to systematically account for model uncertainty that arises in situations when multiple competing models are available to describe the same or similar physical process. The implementation of this framework, however, comes with a multitude of practical challenges including posterior approximation via Markov chain Monte Carlo and numerical integration. We present a Variational Bayesian Inference approach to BMA as a viable alternative to the standard solutions which avoids many of the aforementioned pitfalls. The proposed method is “black box” in the sense that it can be readily applied to many models with little to no model-specific derivation. We illustrate the utility of our variational approach on a suite of examples and discuss all the necessary implementation details. Fully documented Python code with all the examples is provided as well.
登录
查看更多内容
提取先验信息以增强贝叶斯图模型的预测性能
DOI：
--
发表时间：
1995
期刊：
影响因子：
--
作者：
D. Madigan;J. Gavrin;A. Raftery
通讯作者：
A. Raftery
遗传关联分析中的贝叶斯模型比较：线性混合模型和 SNP 集测试。
DOI：
10.1093/biostatistics/kxv009
发表时间：
2015
期刊：
Biostatistics (Oxford, England)
影响因子：
--
作者：
Wen,Xiaoquan
通讯作者：
Wen,Xiaoquan
影响因子：
32.8
作者：
Wainwright, Martin J.;Jordan, Michael I.
通讯作者：
Jordan, Michael I.
DOI：
--
发表时间：
2020-02
期刊：
ArXiv
影响因子：
--
作者：
L. Ambrogioni;M. Hinne;M. Gerven
通讯作者：
L. Ambrogioni;M. Hinne;M. Gerven
影响因子：
1.4
作者：
DOBACZEWSKI, J;FLOCARD, H;TREINER, J
通讯作者：
TREINER, J