Occam 因子与连续分布模型无关的贝叶斯学习
凝聚态物理
2007-05-23 v2 机器学习
适应与自组织系统
数据分析、统计与概率
摘要
可以使用量子场论的方法对光滑但非参数化的概率密度进行学习。我们对这种方法进行数值实现，测试其有效性，发现数据以及来自模型空间积分的相空间因子会自洫地决定理论的自由参数（“平滑尺度”）。即使对于先验中不典型的分布，这一特性依然成立，这是 towards model-independent theory for learning continuous distributions 的一步。最后，我们指出，错误的参数化模型族有时对小数据集可能是有利的。
引用
@article{arxiv.cond-mat/0009165,
title = {Occam factors and model-independent Bayesian learning of continuous distributions},
author = {Ilya Nemenman and William Bialek},
journal= {arXiv preprint arXiv:cond-mat/0009165},
year = {2007}
}
备注
publication revisions: extended introduction, new references, other minor corrections; 6 pages, 6 figures, revtex