通过模拟条件后验增强近似模块化贝叶斯推断
统计方法学
2024-10-28 v1 统计计算
摘要
在模块化贝叶斯分析中，复杂模型由不同的模块组成，每个模块代表数据或先验信息的不同方面。在此背景下，完全贝叶斯方法有时会导致模块之间出现不期望的反馈，损害推断的完整性。本文关注“切割分布”，它通过“切割”反馈来防止模块间的不良影响。多重插补 (DS) 算法是近似切割分布的标准做法，但其计算量可能很大，尤其是在所需插补次数较多时。提出了一种增强方法——模拟条件后验 (ECP) 算法，该算法利用模拟来增加插补次数。通过数值实验证明，ECP 算法在精度和计算效率方面优于传统的 DS 方法，尤其是在资源受限的情况下。还展示了如何利用实验设计的思想来改进 DS 算法。这项工作还根据从先验分布和切割分布中采样的计算需求，提供了关于算法选择的实用建议。
引用
@article{arxiv.2410.19028,
title = {Enhancing Approximate Modular Bayesian Inference by Emulating the Conditional Posterior},
author = {Grant Hutchings and Kellin Rumsey and Derek Bingham and Gabriel Huerta},
journal= {arXiv preprint arXiv:2410.19028},
year = {2024}
}