用于离散输出仿真实验的全后验推断的现代化方法
统计计算
2025-01-28 v1
摘要
高斯过程 (GP) 是一种强大的非线性分类工具，通过将潜在 GP 与链接函数相结合来实现。然而，GP 在大规模训练数据上的扩展性较差。对于分类问题，由于需要对潜在 GP 进行马尔可夫链蒙特卡洛积分，这一问题更为突出。因此，完全贝叶斯的采样方法基本上被放弃。取而代之的是采用拉普拉斯/变分推断 (VI) 结合低秩近似的优化方法。虽然这些方法适用于大规模数据集，但会牺牲不确定性量化和建模保真度——这两者是我们用于计算机仿真实验的替代模型中所关注的重要方面。我们受大规模二进制黑洞 (BBH) 形成仿真的启发，提出了一种新的 GP 分类框架，该框架使用椭圆切片采样进行贝叶斯后验积分，同时采用 Vecchia 近似以提高计算效率。我们在 BBH 仿真及其他基准分类问题中展示了其对 VI 方法的优势。随后，我们将该框架推广至用于“深度”非平稳分类的畸变输入。
引用
@article{arxiv.2501.14946,
title = {Modernizing full posterior inference for surrogate modeling of categorical-output simulation experiments},
author = {Andrew Cooper and Annie S. Booth and Robert B. Gramacy},
journal= {arXiv preprint arXiv:2501.14946},
year = {2025}
}