Neyman-Scott过程的变分推断
机器学习
2023-03-08 v1 机器学习
摘要
Neyman-Scott过程（NSPs）已应用于多个领域，以对具有层次聚类结构的点或时间事件进行建模。马尔可夫链蒙特卡洛（MCMC）通常用于该模型中的后验采样。然而，MCMC的混合时间会导致推断缓慢，从而拖慢模型学习与预测。我们开发了首个针对NSPs的变分推断（VI）算法，并给出了两个合适的变分后验点过程分布示例。我们的方法最小化VI的包容式Kullback-Leibler（KL）散度以获取变分参数。我们直接从近似后验点过程生成样本的速度远快于MCMC，因为无需任何MCMC步骤或梯度下降即可直接估计近似后验点过程。我们包含的合成与真实数据实验表明，在计算时间受限时，我们的VI算法取得了优于MCMC的预测性能。
引用
@article{arxiv.2303.03701,
title = {Variational Inference for Neyman-Scott Processes},
author = {Chengkuan Hong and Christian R. Shelton},
journal= {arXiv preprint arXiv:2303.03701},
year = {2023}
}