Bayes ที่แปรผันรวมกับ Monte Carlo


10

ฉันกำลังอ่าน Bayes แปรปรวนและเมื่อฉันเข้าใจมันลงมาจากแนวคิดที่ว่าคุณประมาณ (โดยที่คือตัวแปรแฝงของโมเดลของคุณและข้อมูลที่สังเกต) ด้วยฟังก์ชัน , ทำให้ข้อสันนิษฐานที่เป็นตัวประกอบว่าโดยที่เป็นเซตย่อยของตัวแปรแฝง จากนั้นจะสามารถแสดงให้เห็นว่าปัจจัยที่เหมาะสมที่สุดคือ: p(zx)zxq(z)qqi(zi)ziqi(zi)

qi(zi)=lnp(x,z)z/i+const.

ที่ไหนวงเล็บมุมแสดงความคาดหวังมากกว่าตัวแปรแฝงทั้งหมดยกเว้นเกี่ยวกับการกระจาย(z)ziq(z)

ตอนนี้นิพจน์นี้มักถูกประเมินผลเชิงวิเคราะห์เพื่อให้คำตอบที่แน่นอนกับมูลค่าเป้าหมายโดยประมาณ อย่างไรก็ตามมันเกิดขึ้นกับฉันว่าเนื่องจากนี่เป็นความคาดหวังแนวทางที่ชัดเจนคือประมาณความคาดหวังนี้โดยการสุ่มตัวอย่าง นี่จะให้คำตอบโดยประมาณสำหรับฟังก์ชันเป้าหมายโดยประมาณ แต่มันทำให้เป็นอัลกอริธึมที่ง่ายมากบางทีสำหรับกรณีที่วิธีการวิเคราะห์ไม่เป็นไปได้

คำถามของฉันคือนี่เป็นวิธีการที่รู้จักหรือไม่? มันมีชื่อหรือไม่? มีเหตุผลว่าทำไมมันอาจทำงานได้ไม่ดีหรืออาจไม่ให้อัลกอริธึมแบบง่าย ๆ ?


ฉันคิดว่าปัญหาที่ใหญ่กว่านั้นคือการพูดถึงความไม่แน่นอนที่ VB ประมาณโดยทั่วไปจะสร้างขึ้น
ความน่าจะเป็นทาง

คำตอบ:


4

ฉันจะยอมรับว่านี่ไม่ใช่โดเมนที่ฉันรู้จักดีมากดังนั้นให้เอามันไปด้วยเม็ดเกลือ

ก่อนอื่นโปรดทราบว่าสิ่งที่คุณเสนอไม่ได้ให้อัลกอริธึมที่ง่ายเช่นนี้เพื่อคำนวณใหม่เราไม่จำเป็นต้องคำนวณค่าที่คาดหวังเดียว (เช่นค่าเฉลี่ยหรือความแปรปรวน) แต่ ค่าที่คาดหวังของฟังก์ชันทั้งหมด นี่ยากที่จะคำนวณและคุณจะต้องประมาณจริงโดยบาง (ตัวอย่างเช่นเราอาจพบฮิสโตแกรมประมาณ)qiqq~

แต่ถ้าคุณกำลังจะ จำกัดให้กับตระกูลพารามิเตอร์เล็ก ๆ ความคิดที่ดีกว่าอาจจะใช้การไล่ระดับสีแบบสุ่ม Stochastic เพื่อค้นหาค่าพารามิเตอร์ที่ดีที่สุด (ดู: การอนุมาน Bayesian แบบแปรผันกับการค้นหาแบบสุ่ม, 2012, Paisley, Blei, Jordan ) การไล่ระดับสีที่พวกเขาคำนวณนั้นคล้ายกับที่คุณเขียนมาก: พวกมันสุ่มตัวอย่างจากการประมาณทั้งหมดที่พวกเขาไม่ได้ปรับให้เหมาะสมqi

ดังนั้นสิ่งที่คุณเสนอไม่ใช่เรื่องง่าย แต่ค่อนข้างใกล้เคียงกับวิธีการจริงที่เพิ่งได้รับการเสนอ

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.