高斯分布族的保模型敏感性分析
机器学习
2018-10-01 v1 机器学习
摘要
利用机器学习算法推断的概率分布的准确性严重依赖于数据的可用性与质量。因此，在实际应用中，研究统计模型对部分底层概率设定错误的鲁棒性至关重要。在图模型的语境下，鲁棒性研究归属于敏感性分析的概念。这些分析包括变动模型的某些概率或参数，然后评估原始分布与变动后分布之间的差异程度。然而，对于高斯图模型，此类变动通常使原始图不再能连贯地表示模型的条件独立结构。本文发展了一种敏感性分析方法，保证原始图在任何概率变动后仍然有效，并利用不同度量量化此类变动的影响。为此，我们借助代数技术，既简洁地表示条件独立关系，又提供检验此类关系有效性的直接途径。通过一个人造示例和一个医学真实应用，我们的方法被证明是鲁棒的，且与那些破坏模型条件独立结构的现有标准方法具有可比性。
引用
@article{arxiv.1809.10794,
title = {Model-Preserving Sensitivity Analysis for Families of Gaussian Distributions},
author = {Christiane Goergen and Manuele Leonelli},
journal= {arXiv preprint arXiv:1809.10794},
year = {2018}
}