AIGC動態(tài)歡迎閱讀

原標題：每個問題的答案都是貝葉斯模型比較，假設競爭
關鍵字：模型,參數,證據,,數據
文章來源：人工智能學家
內容字數：30577字

內容摘要：

來源：CreateAMind
Bayesian model reduction
https://arxiv.org/pdf/1805.07092.pdf
具身智能系列文章
事實上，人們常說，每個問題的答案都是貝葉斯模型比較。這個觀念有其深刻的道理。從某種意義上說，任何問題——可以用相互競爭的假設來提出——只能通過訴諸這些假設的證據來回答。換句話說，任何問題的答案都歸結為假設或模型證據的比較，隱含在貝葉斯因子的使用中，或日志證據的差異Summary
本文回顧了統(tǒng)計結構學習的最新進展；即貝葉斯模型縮減。貝葉斯模型簡化是一種快速計算僅先驗不同的概率模型的證據和參數的?法。在變分貝葉斯的設置中，這有一個解析解，它巧妙地解決了模型比較或結構學習中大模型空間的評分問題。在本技術說明中，我們回顧了貝葉斯模型簡化并提供了幾個離散和連續(xù)概率分布的相關?程。我們提供了多元線性回歸、高斯混合模型和動態(tài)系統(tǒng)（動態(tài)因果建模）背景下的工作示例。這些示例附有重現結果所需的 Matlab 腳本。最后，我們簡要回顧了神經影像和神經科學領域的最新應用。具體來說，我們考慮結構學習和分層或經驗貝葉斯，它們可以被視為神經生物學

原文鏈接：每個問題的答案都是貝葉斯模型比較，假設競爭

聯系作者

文章來源：人工智能學家
作者微信：AItists
作者簡介：致力成為權威的人工智能科技媒體和前沿科技研究機構