参考先验与极小极大风险的迭代马尔可夫链蒙特卡洛计算
机器学习
2013-01-14 v1 机器学习
摘要
我们提出了一种迭代马尔可夫链蒙特卡洛 (MCMC) 算法，用于计算一般参数族的参考先验和极小极大风险。我们的方法使用了基于信息论中计算信道容量的 Blahut-Arimoto 算法的 MCMC 技术。我们对该算法进行了统计分析，限定了随机算法在每次迭代中紧密逼近确定性算法所需的样本数量。文中展示了来自指数族分布的几个示例的模拟结果。虽然我们专注于参考先验和极小极大风险的应用，但我们开发的方法和_analysis_适用于更广泛的一类优化问题和迭代算法。
引用
@article{arxiv.1301.2286,
title = {Iterative Markov Chain Monte Carlo Computation of Reference Priors and Minimax Risk},
author = {John Lafferty and Larry A. Wasserman},
journal= {arXiv preprint arXiv:1301.2286},
year = {2013}
}
备注
Appears in Proceedings of the Seventeenth Conference on Uncertainty in Artificial Intelligence (UAI2001)