ABC-Di：面向离散数据的近似贝叶斯计算
机器学习
2020-10-21 v1 机器学习
摘要
许多现实问题被表示为黑箱，即内部机制不可访问，或似然函数无法以闭式数学表达式定义。对于连续随机变量，无似然推断问题可由一类称为近似贝叶斯计算（Approximate Bayesian Computation, ABC）的方法解决。然而，针对离散随机变量的类似方法尚待建立。本文旨在填补这一研究空白。我们提出采用基于种群的 MCMC ABC 框架。进一步，我们给出了一个有效的马尔可夫核，并受差分进化启发提出了一个新的马尔可夫核。我们在具有已知似然函数的问题（即基于 QMR-DT 网络发现潜在疾病）以及三个无似然推断问题（(i) 似然函数未知的 QMR-DT 网络，(ii) 二值神经网络学习，以及 (iii) 神经架构搜索）上评估了所提方法。所得结果表明该框架具有高潜力，且新马尔可夫核具有优越性。
引用
@article{arxiv.2010.09790,
title = {ABC-Di: Approximate Bayesian Computation for Discrete Data},
author = {Ilze Amanda Auzina and Jakub M. Tomczak},
journal= {arXiv preprint arXiv:2010.09790},
year = {2020}
}
备注
Code: https://github.com/IlzeAmandaA/ABCdiscrete