评估贝叶斯非参数方法中折断先验的敏感性
统计方法学
2022-01-27 v3
摘要
基于狄利克雷过程及其他折断先验（stick-breaking priors）的贝叶斯模型已被提出作为聚类、主题建模及其他无监督学习任务的核心组分。然而，由于这些模型的灵活性，先验选择的后果可能不透明。因此先验设定相对困难。同时，先验选择会对后验推断产生实质影响。故而稳健性考量需与非参数建模携手并进。在本文中，我们通过利用变分贝叶斯方法这一事实来应对该挑战：除在拟合复杂非参数模型时具有计算优势外，它还能给出关于贝叶斯模型参数与非参数方面的敏感性。具体而言，我们展示了如何评估结论对狄利克雷过程混合及相关的混合模型下浓度参数与折断分布选择的敏感性。我们为这一变分贝叶斯敏感性分析方法提供了理论与实证支持。
引用
@article{arxiv.1810.06587,
title = {Evaluating Sensitivity to the Stick-Breaking Prior in Bayesian Nonparametrics},
author = {Ryan Giordano and Runjing Liu and Michael I. Jordan and Tamara Broderick},
journal= {arXiv preprint arXiv:1810.06587},
year = {2022}
}
备注
69 pages. Accepted for submission at Bayesian Analysis