Počet záznamů: 1
Adaptive multiple importance sampling for Gaussian processes
- 1.
SYSNO ASEP 0469804 Druh ASEP J - Článek v odborném periodiku Zařazení RIV J - Článek v odborném periodiku Poddruh J Článek ve WOS Název Adaptive multiple importance sampling for Gaussian processes Tvůrce(i) Xiong, X. (GB)
Šmídl, Václav (UTIA-B) RID, ORCID
Filippone, M. (FR)Celkový počet autorů 3 Zdroj.dok. Journal of Statistical Computation and Simulation. - : Taylor & Francis - ISSN 0094-9655
Roč. 87, č. 8 (2017), s. 1644-1665Poč.str. 22 s. Forma vydání Tištěná - P Jazyk dok. eng - angličtina Země vyd. GB - Velká Británie Klíč. slova Gaussian Process ; Bayesian estimation ; Adaptive importance sampling Vědní obor RIV BB - Aplikovaná statistika, operační výzkum Obor OECD Statistics and probability CEP 7F14287 GA MŠMT - Ministerstvo školství, mládeže a tělovýchovy Institucionální podpora UTIA-B - RVO:67985556 UT WOS 000399503500009 EID SCOPUS 85010689209 DOI 10.1080/00949655.2017.1280037 Anotace In applications of Gaussian processes (GPs) where quantification of uncertainty is a strict requirement, it is necessary to accurately characterize the posterior distribution over Gaussian process covariance parameters. This is normally done by means of standard Markov chain Monte Carlo (MCMC) algorithms, which require repeated expensive calculations involving the marginal likelihood. Motivated by the desire to avoid the inefficiencies of MCMC algorithms rejecting a considerable amount of expensive proposals, this paper develops an alternative inference framework based on adaptive multiple importance sampling (AMIS). In particular, this paper studies the application of AMIS for GPs in the case of a Gaussian likelihood, and proposes a novel pseudo-marginal-based AMIS algorithm for non-Gaussian likelihoods, where the marginal likelihood is unbiasedly estimated. The results suggest that the proposed framework outperforms MCMC-based inference of covariance parameters in a wide range of scenarios. Pracoviště Ústav teorie informace a automatizace Kontakt Markéta Votavová, votavova@utia.cas.cz, Tel.: 266 052 201. Rok sběru 2018
Počet záznamů: 1