マルチノミアルプロビットベイジアン添加回帰ツリーの増幅サンプラー

科学分野:

• 統計について
• 機械学習
• コンピュータ統計

背景:

• 多項式プロビット (MNP) フレームワークは,多変数ガウスの潜在構造に基づいており,独立した代替案を想定しないことで,多項式ロジスティックモデルに優位性があります.
• ベイジアン添加回帰ツリー (BART) は,多項プロビットBART (MPBART) を介してMNPに統合され,後部サンプリングのために崩壊したギブスサンプラーを使用した.
• 崩壊したギブスサンプラーの効率は,単純なサンプリングステップと高速なマルコフ連鎖の収束に依存し,後部木のストキャスティック検索の複雑さによって挑戦することができます.

研究 の 目的:

• MPBARTの計算上の課題に対処するために,新しい後部ツリーサンプリング戦略を提案します.
• Kindo et al を含む既存のMPBARTアプローチと比較する. 2016年の拡張パラメータ空間サンプリングと Sparapani et al. " (2021) 条件付き確率の仕様
• マルコフ連鎖モンテカルロ (MCMC) 収束と後の予測精度という観点から,提案されたメソッドのパフォーマンスを評価する.

主な方法:

• この研究は,Kindo et alと対照的に,制限されたパラメータ空間に条件付けられた後部木のサンプリングを提案しています. 拡張されたパラメータ空間を使用しています.
• Sparapani et alとの比較が行われている. 条件付き確率を用いた多項分布をモデル化している.
• 性能はMCMC収束診断と後方予測精度メトリックを使用して評価されます.

主要な成果:

• 提案された条件付きサンプリングアプローチは,条件付き確率法と比較して,MCMCの収束と後の予測精度を示しています.
• 新しい方法は,MCMCの収束と予測精度の両方で,拡張型ツリーサンプリングアプローチを大幅に上回ります.
• 理論的分析は,提案されたメソッドの混合率が,拡張された木のサンプリングアプローチに劣らないことを確認しています.

結論:

• MPBARTにおける後部木のサンプリングのための提案された方法は,計算効率と予測パフォーマンスを改善します.
• このアプローチは,特に拡張パラメータ空間に依存するものを上回る,既存のMPBART方法の実行可能な代替案を提供します.
• 条件付きサンプリング戦略は,MNPの枠組み内のBARTの実践的適用を強化することを示唆しています.