适用于函数型数据配准、平滑与预测的自适应变分贝叶斯方法
统计方法学
2016-06-06 v3
摘要
我们提出了一种函数型数据配准模型，其表现优于当前可用的最佳函数型数据配准方法。该模型还通过提供一个灵活的概率框架扩展了针对未配准数据的推断能力，该框架：1) 允许在配准背景下进行函数预测；2) 可调整以在一个模型中同时包含平滑和配准。所提出的推断框架是一个贝叶斯层次模型，其中配准后的函数被建模为高斯过程。为解决高维贝叶斯模型中推断的计算需求，我们提出了一种自适应形式的变分贝叶斯算法用于近似推断，其在定义明确的问题上表现与 MCMC 采样方法相当。自适应变分贝叶斯 (AVB) 算法的高效性使得可以通过自助法分别描绘预测的配准函数、形变函数和未配准函数的变异性。我们利用与厄尔尼诺现象相关的温度数据，展示了该模型所提供的独特预测推断能力。
引用
@article{arxiv.1502.00552,
title = {Adapted Variational Bayes for Functional Data Registration, Smoothing, and Prediction},
author = {Cecilia Earls and Giles Hooker},
journal= {arXiv preprint arXiv:1502.00552},
year = {2016}
}
备注
Additional details are included in this version in response to reviewer comments. All main results are unchanged