Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "inference methods" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-2 z 2
    Tytuł:
    A Note on Lenk’s Correction of the Harmonic Mean Estimator
    Autorzy:
    Pajor, Anna
    Osiewalski, Jacek
    Powiązania:
    https://bibliotekanauki.pl/articles/483355.pdf
    Data publikacji:
    2013
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    Bayesian inference
    marginal data density
    MCMC methods
    Opis:
    The paper refines Lenk’s concept of improving the performance of the computed harmonic mean estimator (HME) in three directions. First, the adjusted HME is derived from an exact analytical identity. Second, Lenk’s assumption concerning the appropriate subset A of the parameter space is significantly weakened. Third, it is shown that, under certain restrictions imposed on A, a fundamental identity underlying the HME also holds for improper prior densities, which substantially extends applicability of the adjusted HME.
    Źródło:
    Central European Journal of Economic Modelling and Econometrics; 2013, 5, 4; 271-275
    2080-0886
    2080-119X
    Pojawia się w:
    Central European Journal of Economic Modelling and Econometrics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Learning causal theories with non-reversible MCMC methods
    Autorzy:
    Krajewska, Antonina
    Powiązania:
    https://bibliotekanauki.pl/articles/2183467.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Instytut Badań Systemowych PAN
    Tematy:
    Bayesian inference
    causal systems
    directed acyclic graph
    MCMC
    non-reversible Markov processes
    search and score methods
    Opis:
    Causal laws are defined in terms of concepts and the causal relations between them. Following Kemp et al. (2010), we investigate the performance of the hierarchical Bayesian model, in which causal systems are represented by directed acyclic graphs (DAGs) with nodes divided into distinct categories. This paper presents two non-reversible search and score algorithms (Q1 and Q2) and their application to the causal learning system. The algorithms run through the pairs of class-assignment vectors and graph structures and choose the one which maximizes the probability of given observations. The model discovers latent classes in relational data and the number of these classes and predicts relations between objects belonging to them. We evaluate its performance on prediction tasks from the behavioural experiment about human cognition. Within the discussed approach, we solve a simplified prediction problem when object classification is known in advance. Finally, we describe the experimental procedure allowing in-depth analysis of the efficiency and scalability of both search and score algorithms.
    Źródło:
    Control and Cybernetics; 2021, 50, 3; 323--361
    0324-8569
    Pojawia się w:
    Control and Cybernetics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-2 z 2

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies