走向NUTS的ADVI：探索Facebook Prophet中各种贝叶斯推断技术
机器学习
2026-01-29 v1 统计方法学
摘要
自Facebook Prophet提出以来，已吸引了古典统计学家和贝叶斯统计学界的青睐。该模型提供两种内置推断方法：使用L-BFGS-B算法的最大后验估计，以及通过No-U-Turn Sampler(NUTS)的马尔可夫链蒙特卡罗(MCMC)抽样。尽管在使用贝叶斯推断解决各种时间序列预测问题时，我们遇到了无法应用默认提供之外的替代推断技术的局限性。此外，Facebook Prophet的流畅API设计对于实现自定义建模想法的灵活性并不足够。为克服这些不足，我们在PyMC中实现了Prophet模型的完整重写，该实现使我们能够扩展基本模型并评估和比较多种贝叶斯推断方法。本文呈现了我们的PyMC实现并详细分析了不同贝叶斯推断技术的实现。我们在时间序列预测问题上考虑了完整MCMC技术、MAP估计和变分推断技术。我们详细讨论了抽样方法、收敛诊断、预测指标以及它们的计算效率，并检测到可能的问题将在未来的工作中加以解决。
引用
@article{arxiv.2601.20120,
title = {Going NUTS with ADVI: Exploring various Bayesian Inference techniques with Facebook Prophet},
author = {Jovan Krajevski and Biljana Tojtovska Ribarski},
journal= {arXiv preprint arXiv:2601.20120},
year = {2026}
}
备注
6 pages, 5 figures, Published in Proceedings of the 22nd International Conference for Informatics and Information Technologies - CiiT 2025