機械学習における g 優先順位の操作パート 3 | Monodeep Mukherjee 著 | 2024年5月

1. g-Prior に基づく高次元事後整合性の必要十分条件

著者: ダグラス・K・スパークス、 クシティジ・カレ、 マレーゴーシュ

要約: 階層的および経験的ベイズモデルへの拡張を含め、g 事前分布の下で事後整合性のための必要十分条件を検討します。 この記事の主な特徴は、サンプル サイズと同じ割合で回帰変数の数が増加することを許可し、より従来のユークリッド ノルムではなく上ベクトル ノルムの下で事後整合性を定義することです。 特に、George と Foster (2000) の経験的ベイジアン モデル、Liang らのハイパー G プリアを考慮します。 (2008)、および Zellner と Siow (1980) によって検討された先行研究。 ジャーナル参照: Bayesian Analysis 2015、Vol. 10、№3、627–664

2. サンプルサイズに応じてリグレッサーの数が増加する場合の変数選択のための g 事前分布の混合

著者: ミネルヴァ・ムコパディヤイ

要約: g 事前分布の混合を使用した線形回帰における変数選択問題を考察します。 文献では、特にリグレッサー p の数が固定されている場合にうまく機能する多数の混合が提案されています。 この論文では、サンプルサイズ n とともに p が増大する場合に適した g 事前分布の混合を提案します。 p=O(nb), 0 の場合に、提案された事前分布に基づいて方法のパフォーマンスを研究します。