“bayesian istatistik” için sonuçlar
2 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Horseshoe Yöntemi ile Matematiksel Tahmin: Seyrek Veriler için Yeni Çığır
Stanford ve diğer önde gelen üniversitelerden araştırmacılar, seyrek Gaussian veri modellerinde tahmin yapma konusunda önemli bir ilerleme kaydetti. Horseshoe adı verilen sürekli karışım önsel dağılımını kullanan yeni yaklaşım, geleneksel kesikli karışım yöntemlerinden farklı olarak daha esnek bir çözüm sunuyor. Çalışma, seyreklik seviyesi bilinen durumlar için tahmin edici Bayes yönteminin asimptotik minimax optimalliğini matematiksel olarak kanıtlıyor. Araştırmacılar ayrıca 'Horseshoe spektroskopisi' adını verdikleri yeni bir teknikle, posterior tahmin yoğunluğunun Gaussian-karışım temsilini geliştirdi. Bu yaklaşım, seyreklik bilinmediğinde bile adaptif geçiş yapabilen hiyerarşik bir Bayesian çerçeve sunuyor ve makine öğrenmesinden signal processing'e kadar geniş uygulama alanları vaat ediyor.
Matematikçiler Dirichlet sürecini geliştirdi: Daha esnek istatistiksel modeller
Araştırmacılar, istatistikte yaygın kullanılan Dirichlet sürecinin genişletilmiş bir versiyonunu geliştirdi. Bu yeni matematik modeli, özellikle Bayesian istatistikte daha fazla esneklik sağlıyor. Geleneksel Dirichlet süreci, belirli bir parametre uzayında sınırlı kalırken, yeni yaklaşım farklı çarpıklık değerlerine sahip rastgele ortalamalar üretebiliyor. Bu gelişme, parametrik olmayan Bayesian istatistikte önemli bir adım olarak değerlendiriliyor. Model, posterior dağılımın karmaşık yapısına rağmen simülasyon yoluyla çıkarım yapılmasına olanak tanıyor ve rastgele ortalamalar için kesin formüller türetiliyor.