在无训练数据情况下的学习——一个星系应用
应用统计
2018-11-26 v1
摘要
现实中有许多问题缺乏训练数据，却仍希望在学到这些变量间函数关系之后，学习出使可观测量的测试数据得以实现的系统参数值。我们提出一种处理此类问题的新颖贝叶斯方法，其中我们学习一个平稳动力系统的系统函数，该系统仅有向量值可观测量的测试数据可用，且无训练数据。此方法大量借用了我们也一并学习的状态空间概率密度函数（）。由于对所求函数均无训练数据，我们无法学习其相关结构，转而使用 Metropolis-within-Gibbs 对所求系统函数及 的离散形式进行推断，其中该 的构造使得未知系统参数嵌入其支撑内。给定可用数据时未知量的似然由此类 定义。我们将其应用于学习真实星系中所有引力物质的密度。
引用
@article{arxiv.1811.09204,
title = {Learning in the Absence of Training Data -- a Galactic Application},
author = {Cedric Spire and Dalia Chakrabarty},
journal= {arXiv preprint arXiv:1811.09204},
year = {2018}
}