Inferenza bayesiana approssimata

Recensioni dei lettori

Attualmente non ci sono recensioni dei lettori. La valutazione si basa su 2 voti.

Titolo originale:

Approximate Bayesian Inference

Contenuto del libro:

Estremamente popolari per l'inferenza statistica, i metodi bayesiani stanno diventando popolari anche nei problemi di apprendimento automatico e di intelligenza artificiale. Gli stimatori bayesiani sono spesso implementati con metodi Monte Carlo, come l'algoritmo di Metropolis-Hastings del campionatore di Gibbs.

Questi algoritmi mirano all'esatta distribuzione posteriore. Tuttavia, molti dei moderni modelli statistici sono semplicemente troppo complessi per utilizzare tali metodologie. Nell'apprendimento automatico, il volume dei dati utilizzati nella pratica rende i metodi Monte Carlo troppo lenti per essere utili.

D'altra parte, queste applicazioni spesso non richiedono una conoscenza esatta del posterior. Ciò ha motivato lo sviluppo di una nuova generazione di algoritmi abbastanza veloci da gestire enormi insiemi di dati, ma che spesso mirano a un'approssimazione del posterior.

Questo libro raccoglie 18 articoli di ricerca scritti da specialisti dell'inferenza bayesiana approssimata e fornisce una panoramica dei recenti progressi di questi algoritmi. Sono inclusi metodi basati sull'ottimizzazione (come le approssimazioni variazionali) e metodi basati sulla simulazione (come gli algoritmi ABC o Monte Carlo).

Vengono trattati gli aspetti teorici dell'inferenza bayesiana approssimata, in particolare i limiti PAC-Bayes e l'analisi del rimpianto. Vengono inoltre presentate applicazioni per problemi computazionali impegnativi in astrofisica, finanza, analisi dei dati medici e computer vision.