ABC-PMC (approximate bayesian computation Population Monte Carlo)

萌新待开发

于 2021-10-29 13:49:34 发布

阅读量342

点赞数

分类专栏： ᕦ 机器学习 ᕤ 文章标签：机器学习采样蒙特卡洛 PMC 近似贝叶斯计算

本文链接：https://blog.csdn.net/qq_44785318/article/details/121032775

版权

68 篇文章

订阅专栏

本文探讨了一种递进式的算法过程，首先设置高阈值采样相似样本，通过估计观察集获取初始值，然后进行多次迭代：每轮噪声注入并计算相似度，调整分布并更新协方差。核心内容围绕样本匹配、分布调整和协方差更新展开。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

设置较大的阈值 $\xi$
从先验采样 $\theta ^*\sim p(\theta)$ ，在相似度在阈值内，共N个
使用 $\theta ^*$ 估计观察集得到估计值 $Y^*$ , $Y^*\sim Model(\theta^*)$
计算N个相似度
最后会得到 $\Theta _{1}^{N} = \left \{ N \times \theta^* \right \}$
得到新的分布 $p(\theta^*) = \mathbf{W_1} =\left \{ N \times w_1^* :\frac{1}{N} \right \}$
这是该轮的协方差 $\Sigma _{1}=2\times cov(\Theta _i^N)$

从上一轮的分布 $p(\theta^*)$ 中采样： $\theta^{**} \sim p(\theta_{j-1}^N)=\mathbf{W_{j-1}^N}$
加入噪声 $\theta ^{**} \sim N_d(\theta_{j-1}^N,\Sigma _{j-1})$
计算相似度
得到 $\Theta_{j}^N$
设置分布 $W_j^N=\left \{ w_j^i : \frac{p(\theta_j^i)}{\sum_{u=1}^{N}\textbf{w}^u_{j-1}q_d(\theta^u_{j-1}|\theta_j^i,\Sigma _{j-1})) } \right \}$
这是该轮的协方差 $\Sigma _j=2 \times cov(\Theta _j)$