抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
本研究は,モジュールと呼ばれる単純なサブモデルから成る複雑な統計モデルの誤指定の下でのBayes推論を,一緒に結合したモジュールとして考察した。異なるデータソースからの情報を組み合わせるとき,そのような「マルチ多重モジュールモデルがしばしば生じ,そこで各データソースのためのモジュールがある。モジュールのいくつかが誤指定されるとき,誤仕様の下でのBayes推論の課題は,時々,信頼できないモジュールの影響を制限することによって,従来のBayes推論を修正する,ギルドカットフィードバック法を用いて対処できる。ここでは,任意の損失関数から構築され,それらの挙動に関する新しい知見を示す,一般化事後分布の文脈における切削フィードバック法を検討した。三つの主な貢献を行った。最初に,著者らは,切断フィードバック方法が一般化Bayes設定で定義できる方法を記述して,互いに異なるモジュールに対する損失関数の適切なスケーリングと事前の議論を行った。第2に,他のモジュールのパラメータに条件付きの与えられたモジュールパラメータに対する後部の大きなサンプル挙動に関する新しい結果を導いた。これは,条件付きLaplace近似の使用を正式に正当化し,それは,関節後部のLaplace近似からの条件付き分布と比較して,条件付き事後分布のより良い近似を提供した。著者らの最終貢献は,モジュールの結合に対する推論の感度を理解し,ロバストなBayesモジュール推論を行うための新しい半モジュール事後アプローチを実装するための便利な診断を提供するために,著者らの第2の貢献の大きなサンプル近似を利用する。この方法論の有用性を,カットモデル推論に関する文献からいくつかのベンチマーク例で示した。【JST・京大機械翻訳】