AIGC動(dòng)態(tài)歡迎閱讀

原標(biāo)題：每個(gè)問(wèn)題的答案都是貝葉斯模型比較，假設(shè)競(jìng)爭(zhēng)
關(guān)鍵字：模型,參數(shù),證據(jù),,數(shù)據(jù)
文章來(lái)源：人工智能學(xué)家
內(nèi)容字?jǐn)?shù)：30577字

內(nèi)容摘要：

來(lái)源：CreateAMind
Bayesian model reduction
https://arxiv.org/pdf/1805.07092.pdf
具身智能系列文章
事實(shí)上，人們常說(shuō)，每個(gè)問(wèn)題的答案都是貝葉斯模型比較。這個(gè)觀念有其深刻的道理。從某種意義上說(shuō)，任何問(wèn)題——可以用相互競(jìng)爭(zhēng)的假設(shè)來(lái)提出——只能通過(guò)訴諸這些假設(shè)的證據(jù)來(lái)回答。換句話說(shuō)，任何問(wèn)題的答案都?xì)w結(jié)為假設(shè)或模型證據(jù)的比較，隱含在貝葉斯因子的使用中，或日志證據(jù)的差異Summary
本文回顧了統(tǒng)計(jì)結(jié)構(gòu)學(xué)習(xí)的最新進(jìn)展；即貝葉斯模型縮減。貝葉斯模型簡(jiǎn)化是一種快速計(jì)算僅先驗(yàn)不同的概率模型的證據(jù)和參數(shù)的?法。在變分貝葉斯的設(shè)置中，這有一個(gè)解析解，它巧妙地解決了模型比較或結(jié)構(gòu)學(xué)習(xí)中大模型空間的評(píng)分問(wèn)題。在本技術(shù)說(shuō)明中，我們回顧了貝葉斯模型簡(jiǎn)化并提供了幾個(gè)離散和連續(xù)概率分布的相關(guān)?程。我們提供了多元線性回歸、高斯混合模型和動(dòng)態(tài)系統(tǒng)（動(dòng)態(tài)因果建模）背景下的工作示例。這些示例附有重現(xiàn)結(jié)果所需的 Matlab 腳本。最后，我們簡(jiǎn)要回顧了神經(jīng)影像和神經(jīng)科學(xué)領(lǐng)域的最新應(yīng)用。具體來(lái)說(shuō)，我們考慮結(jié)構(gòu)學(xué)習(xí)和分層或經(jīng)驗(yàn)貝葉斯，它們可以被視為神經(jīng)生物學(xué)

原文鏈接：每個(gè)問(wèn)題的答案都是貝葉斯模型比較，假設(shè)競(jìng)爭(zhēng)

聯(lián)系作者

文章來(lái)源：人工智能學(xué)家
作者微信：AItists
作者簡(jiǎn)介：致力成為權(quán)威的人工智能科技媒體和前沿科技研究機(jī)構(gòu)