面向基于事件的多次试验集成数据的贝叶斯信息准则
机器学习
2022-05-02 v1 机器学习
定量方法
应用统计
摘要
瞬态复发现象在神经科学和气象学等许多科学领域中普遍存在。时间非齐次向量自回归模型（VAR）可用于刻画与此类现象相关的事件周边系统动态，并可通过利用多维数据来学习——这些数据收集了系统在多个时间窗中的演化样本，每个时间窗关联该瞬态现象的一次发生，我们称之为“试验”。然而，最优 VAR 模型阶数选择方法通常依赖于 Akaike 或贝叶斯信息准则（AIC/BIC），一般并非为多试验数据而设计。本文推导了在事件检测后收集的多次试验集成数据的 BIC 方法。我们通过模拟二元 AR 模型表明，多试验 BIC 能够恢复真实模型阶数。我们还通过模拟瞬态事件与真实数据证明，多试验 BIC 能够估计出足够小的用于动态系统建模的模型阶数。
引用
@article{arxiv.2204.14096,
title = {Bayesian Information Criterion for Event-based Multi-trial Ensemble data},
author = {Kaidi Shao and Nikos K. Logothetis and Michel Besserve},
journal= {arXiv preprint arXiv:2204.14096},
year = {2022}
}
备注
12 pages, 4 figures