近似贝叶斯计算中的广义后验
统计方法学
2021-02-24 v2 统计计算
机器学习
摘要
复杂模拟器已成为许多科学学科中普遍使用的工具，为自然与社会现象提供了高保真、隐式的概率模型。遗憾的是，它们通常缺乏常规统计分析所需的可处理性。近似贝叶斯计算（ABC）已成为基于模拟的推断中的关键方法，其中真实模型似然与后验利用来自模拟器的样本进行近似。本文中，我们建立 ABC 与广义贝叶斯推断（GBI）之间的联系。首先，我们将 ABC 中的接受/拒绝步骤重新解释为隐式定义的误差模型。接着我们指出这些隐式误差模型必然存在误设定。尽管 ABC 后验常被视为近似标准贝叶斯后验的无奈之举，但这使我们能够将 ABC 重新解释为一种潜在的稳健化策略。这促使我们建议在 ABC 中使用 GBI，我们对此用例进行了实证探索。
引用
@article{arxiv.2011.08644,
title = {Generalized Posteriors in Approximate Bayesian Computation},
author = {Sebastian M Schmon and Patrick W Cannon and Jeremias Knoblauch},
journal= {arXiv preprint arXiv:2011.08644},
year = {2021}
}
备注
Accepted at Advances in Approximate Bayesian Inference, AABI 2020