Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > math > arXiv:1402.1380v2

帮助 | 高级搜索

数学 > 统计理论

arXiv:1402.1380v2 (math)
[提交于 2014年2月6日 (v1) ,最后修订 2014年7月16日 (此版本, v2)]

标题: 自适应ABC模型选择与隐藏Gibbs随机场的几何概括统计量

标题: Adaptive ABC model choice and geometric summary statistics for hidden Gibbs random fields

Authors:Julien Stoehr (I3M), Pierre Pudlo (I3M), Lionel Cucala (I3M)
摘要: 由于似然函数中含有无法求解的规范化常数,选择隐马尔可夫随机场的不同依赖结构可能非常具有挑战性。 我们通过近似贝叶斯计算(ABC)回答了这个问题,该方法在贝叶斯框架下提供了一种模型选择方法。 这继 Grelaud 等人(2009)的工作之后,他们展示了直接观察到的吉布斯随机场的充分统计量。 但当随机场是潜在的时,充分性失效,我们补充了与几何汇总统计相关的集合。 构建这些直观统计量的一般方法依赖于基于观察颜色和可能的潜在图的站点聚类分析。 基于这些统计量的ABC模型选择效率通过局部错误率来评估,这可能有独立的兴趣。 作为副产品,我们推导出一种ABC算法,该算法能够根据数据集调整汇总统计量的维度,而不影响模型选择。
摘要: Selecting between different dependency structures of hidden Markov random field can be very challenging, due to the intractable normalizing constant in the likelihood. We answer this question with approximate Bayesian computation (ABC) which provides a model choice method in the Bayesian paradigm. This comes after the work of Grelaud et al. (2009) who exhibited sufficient statistics on directly observed Gibbs random fields. But when the random field is latent, the sufficiency falls and we complement the set with geometric summary statistics. The general approach to construct these intuitive statistics relies on a clustering analysis of the sites based on the observed colors and plausible latent graphs. The efficiency of ABC model choice based on these statistics is evaluated via a local error rate which may be of independent interest. As a byproduct we derived an ABC algorithm that adapts the dimension of the summary statistics to the dataset without distorting the model selection.
主题: 统计理论 (math.ST) ; 计算 (stat.CO)
引用方式: arXiv:1402.1380 [math.ST]
  (或者 arXiv:1402.1380v2 [math.ST] 对于此版本)
  https://doi.org/10.48550/arXiv.1402.1380
通过 DataCite 发表的 arXiv DOI
期刊参考: Statistics and Computing (2015) 25:129-141
相关 DOI: https://doi.org/10.1007/s11222-014-9514-9
链接到相关资源的 DOI

提交历史

来自: Julien Stoehr [查看电子邮件]
[v1] 星期四, 2014 年 2 月 6 日 15:41:50 UTC (236 KB)
[v2] 星期三, 2014 年 7 月 16 日 16:20:13 UTC (368 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
math.ST
< 上一篇   |   下一篇 >
新的 | 最近的 | 2014-02
切换浏览方式为:
math
stat
stat.CO
stat.TH

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号