Würden Sie das HBM vs EB als zwei Alternativen betrachten, bei denen die Hyperparameter "im Spiel" sind, abgetastet / geschätzt / etc. Zu werden? Es besteht eindeutig ein Zusammenhang zwischen diesen beiden.
Würden Sie HBM als "voll Bayesianer" betrachten als EB? Gibt es einen Ort, an dem ich sehen kann, wo die Unterschiede zwischen "vollständig Bayesianisch" und den anderen Alternativen liegen?
Vielen Dank.
bayesian
empirical-bayes
singelton
quelle
quelle
Antworten:
Ich würde sagen, dass HBM mit Sicherheit "Bayesianischer" als EB ist, da Marginalisierung ein Bayesianischer Ansatz ist als Optimierung. Im Wesentlichen scheint mir EB die Unsicherheit in den Hyperparametern zu ignorieren, während HBM versucht, sie in die Analyse einzubeziehen. Ich vermute, HMB ist eine gute Idee, wenn nur wenige Daten vorliegen und daher erhebliche Unsicherheiten bei den Hyperparametern bestehen, die berücksichtigt werden müssen. Andererseits wird EB für große Datensätze attraktiver, da es im Allgemeinen weniger rechenintensiv ist und das Datenvolumen häufig dazu führt, dass die Ergebnisse für die Einstellungen der Hyperparameter wesentlich unempfindlicher sind.
Ich habe an Gaußschen Prozessklassifikatoren gearbeitet, und die Optimierung der Hyperparameter zur Maximierung der Grenzwahrscheinlichkeit führt häufig zu einer Überanpassung der ML und damit zu einer signifikanten Verschlechterung der Generalisierungsleistung. Ich vermute in diesen Fällen, dass eine vollständige HBM-Behandlung zuverlässiger, aber auch viel teurer wäre.
quelle