图形后验预测分类器：粒子吉布斯的贝叶斯模型平均
摘要：多类图形贝叶斯预测分类器中融入模型选择的不确定性，为每个类别利用一组可分解的高斯图形模型表示观测特征之间的依赖结构。重点放在贝叶斯模型平均中，通过对后验图模型概率进行平均，充分考虑了类别特定的模型不确定性。明确评估模型概率是不可行的。为了应对这个问题，我们考虑了Olsson等人的粒子吉布斯策略（2018b），用于从可分解的图形模型进行后验采样，该策略利用了Olsson等人的圣诞树算法（2018a）作为提议核函数。我们还得出了一种称为超正态Wishart定律的强超Markov定律，可以在局部进行结果贝叶斯计算。提出的预测性图形分类器相比于不考虑模型不确定性的普通贝叶斯预测规则，以及一些开箱即用的分类器，显示出更优越的性能。
作者：Tatjana Pavlenko and Felix Leopoldo Rios
论文ID：1707.06792
分类：Machine Learning
分类简称：stat.ML
提交时间：2018-06-08