贝叶斯条件密度滤波
机器学习
2015-09-23 v3 机器学习
统计计算
摘要
我们提出了一种用于高效在线贝叶斯推断的条件密度滤波（C-DF）算法。C-DF 将 MCMC 采样适配于在线环境，通过随着新数据的到达传播替代条件充分统计量（数据与参数估计的函数），从近似条件后验分布中进行采样。这些量消除了同时存储或处理整个数据集的需要，并提供了许多理想的特性。通常，这些特性包括降低内存需求和运行时间、改善混合，以及最先进的参数推断和预测。这些改进通过几个说明性示例得到了证明，包括在高维压缩回归中的应用。最后，我们证明了随着采样的进行和更多数据的到达，C-DF 样本渐近地收敛到目标后验分布。
引用
@article{arxiv.1401.3632,
title = {Bayesian Conditional Density Filtering},
author = {Shaan Qamar and Rajarshi Guhaniyogi and David B. Dunson},
journal= {arXiv preprint arXiv:1401.3632},
year = {2015}
}
备注
41 pages, 7 figures, 12 tables