文献

J-GLOBAL ID：201802247263853889   整理番号：18A0709893

重尾事前分布を用いたPoissonおよび幾何学モデルの最小メッセージ長推論【JST・京大機械翻訳】

Minimum message length inference of the Poisson and geometric models using heavy-tailed prior distributions

著者 (3件)： Wong Chi Kuen (Centre for Epidemiology and Biostatistics, Melbourne School of Population and Global Health, The University of Melbourne, VIC 3010, Australia) ,  Makalic Enes (Centre for Epidemiology and Biostatistics, Melbourne School of Population and Global Health, The University of Melbourne, VIC 3010, Australia) ,  Schmidt Daniel F. (Centre for Epidemiology and Biostatistics, Melbourne School of Population and Global Health, The University of Melbourne, VIC 3010, Australia)
資料名： Journal of Mathematical Psychology  (Journal of Mathematical Psychology)
巻： 83  ページ： 1-11  発行年： 2018年 
JST資料番号： C0831A  ISSN： 0022-2496  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 最小メッセージ長は,情報理論に基づくモデル選択とパラメータ推定のための一般的Bayes原理である。本論文は,Poissonと幾何学的データモデルを含む小サンプルモデル選択問題に最小メッセージ長さ原理を適用した。MMLはBayes原理であるため,すべてのモデルパラメータに対する事前分布を必要とする。軽いテールと重いテールの両方を持つモデルパラメータに対する3つの候補事前分布を導入した。MML法の性能を,正規化最尤法コードに基づく客観的Bayes推論と最小記述長技術と比較した。シミュレーションは,重い尾部事前分布を有する著者らのMML方式がすべての試験において良く機能することを示した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： パラメータ推定 ,  *Bayes推定 ,  最尤法 ,  情報理論 ,  データモデル ,  正規化 ,  *幾何学モデル
準シソーラス用語： 最小記述長 ,  モデルパラメータ ,  モデル選択 ,  *事前分布 , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 事前分布 ,  幾何学モデル ,  メッセージ ,  推論