基于深度学习和共轭预测的近似贝叶斯计算
统计方法学
2025-06-24 v4
摘要
近似贝叶斯计算(ABC)方法常用于模型中不确定或计算不可达的似然函数的后验分布近似。经典的ABC方法基于最近邻类型算法，依赖于所谓的摘要统计量、数据集之间的距离以及容忍阈值的选择。最近的研究提出将ABC与更复杂的机器学习算法结合，以缓解这些“用户选择”的影响。本文提出了首个据我们所知完全无需摘要统计量、距离和容忍阈值的ABC方法。此外，与常规的ABC方法 generalizations 不同，我们将置信区间(具有恰当的频率主导覆盖率)与后验均值估计(或其他时刻类型估计)相关联。我们称该方法为ABCD-Conformal，它使用带蒙特卡罗 dropout 的神经网络来提供后验均值(或其他时刻类型功能)的估计，并使用共轭理论获取相关置信集。该方法高效可用于估计多维参数并实现摊销，我们在四个不同应用中对其进行测试，并与文献中其他ABC方法进行比较。
引用
@article{arxiv.2406.04874,
title = {Approximate Bayesian Computation with Deep Learning and Conformal prediction},
author = {Meili Baragatti and Casenave Céline and Bertrand Cloez and David Métivier and Isabelle Sanchez},
journal= {arXiv preprint arXiv:2406.04874},
year = {2025}
}
备注
59 pages, 11 figures