基于 Jensen–Shannon 散度的仿真器模型无似然模型选择
统计方法学
2022-06-10 v1 机器学习
摘要
根据数据选择适当模型结构与参数维度在统计研究中历史悠久，首批开创性方法于 1970 年代提出，如受信息论启发并体现所谓奥卡姆剃刀原理的 Akaike 与 Schwarz 模型评分准则。在这些先驱工作之后，模型选择迅速确立为独立研究领域，在计算机科学与统计学中均获相当关注。然而迄今，针对缺乏似然表达的仿真器模型推导评分准则的尝试有限。贝叶斯因子已被考虑用于此类模型，但关于其使用及一致性相关问题的争论褒贬不一。此处我们利用 Jensen–Shannon 散度（JSD）的渐近性质，推导出一种用于无似然设定、称为 JSD-Razor 的一致模型评分准则。分析了 JSD-Razor 与基于似然方法既有评分准则的关系，并使用合成与真实建模实例展示了我们准则的良好性质。
引用
@article{arxiv.2206.04110,
title = {Likelihood-free Model Choice for Simulator-based Models with the Jensen--Shannon Divergence},
author = {Jukka Corander and Ulpu Remes and Timo Koski},
journal= {arXiv preprint arXiv:2206.04110},
year = {2022}
}
备注
40 pages, 4 figures, to be submittes