高斯图模型选择的经验贝叶斯方法
统计计算
2015-03-13 v2
摘要
我们开发了一种用于可分解图高斯模型中模型确定的新方法。采用贝叶斯范式，对于每个给定的图，考虑协方差矩阵的超逆Wishart先验分布。该先验分布依赖于超参数。众所周知，模型的后验分布对这些超参数的设定很敏感，并且没有完全令人满意的方法被记录。为了避免这个问题，我们建议采用一种经验贝叶斯策略，即一种使用数据来确定超参数值的策略。通常，超参数被固定为其最大似然估计。为了计算这些最大似然估计，我们建议使用随机逼近EM算法的马尔可夫链蒙特卡洛版本。此外，我们引入了一种新的图空间采样方案，该方案改进了Armstrong等人(2009)的添加和删除提议。我们在模拟和真实数据集上展示了这种新方案的效率。
引用
@article{arxiv.1003.5851,
title = {An empirical Bayes procedure for the selection of Gaussian graphical models},
author = {Sophie Donnet and Jean-Michel Marin},
journal= {arXiv preprint arXiv:1003.5851},
year = {2015}
}