Title: | Approximate Bayesian Inference Methods for Regression and Classification with Gaussian Processes and Neural Networks Approksimatiivisia bayesilaisia päättelymenetelmiä regressioon ja luokitteluun gaussisilla prosesseilla ja neuroverkoilla |
Author(s): | Jylänki, Pasi |
Date: | 2013 |
Language: | en |
Pages: | 79 + app. 129 |
Department: | Lääketieteellisen tekniikan ja laskennallisen tieteen laitos Department of Biomedical Engineering and Computational Science |
ISBN: | 978-952-60-5355-4 (electronic) 978-952-60-5354-7 (printed) |
Series: | Aalto University publication series DOCTORAL DISSERTATIONS, 152/2013 |
ISSN: | 1799-4942 (electronic) 1799-4934 (printed) 1799-4934 (ISSN-L) |
Supervising professor(s): | Lampinen, Jouko, Prof., Aalto University, Department of Biomedical Engineering and Computational Science, Finland |
Thesis advisor(s): | Vehtari, Aki, Dr., Aalto University, Department of Biomedical Engineering and Computational Science, Finland |
Subject: | Physics |
Keywords: | approximate Bayesian inference, expectation propagation, Gaussian processes, neural networks, approksimatiivinen bayesilainen päättely, gaussiset prosessit, neuroverkot |
OEVS yes | |
|
|
Abstract:Viimeisien vuosikymmenien aikana on tutkittu paljon bayesilaiseen approksimatiiviseen päättelyyn soveltuvaa expectation-propagation-menetelmää (EP), joka on osoittaunut nopeaksi ja erittäin tarkaksi useissa kokeellisissa vertailuissa. Haasteena EP:n soveltamisessa on se, että numeerisesti robusti ja laskennallisesti tehokas käytännön toteutus ei ole suoraviivaista useilla mallimäärittelyillä, ja että normaalimuotoisen EP-algoritmin konvergoituminen ei ole taattu kaikissa tilanteissa. Tämä työ käsittelee robustia ja laskennallisesti tehokasta EP:n toteuttamista gaussisilla approksimaatioilla kolmessa vaativassa mallinnusongelmassa. Lisäksi työssä esitellään useita kokeellisia tuloksia, joissa EP:n tarkkuutta verrataan keskeisiin vaihtoehtoisiin approksimaatiomenetelmiin. |
|
Parts:[Publication 1]: Jarno Vanhatalo, Pasi Jylänki and Aki Vehtari. Gaussian process regression with Student-t likelihood. In Advances in Neural Information Processing Systems 22, edited by Y. Bengio, D. Schuurmans, J. Lafferty, C. K. I. Williams, and A. Culotta, 1910–1918, 2009.[Publication 2]: Pasi Jylänki, Jarno Vanhatalo and Aki Vehtari. Robust Gaussian Process Regression with a Student-t Likelihood. Journal of Machine Learning Research, 12, 3227–3257, Nov 2011.[Publication 3]: Jaakko Riihimäki, Pasi Jylänki and Aki Vehtari. Nested Expectation Propagation for Gaussian Process Classification with a Multinomial Probit Likelihood. Journal of Machine Learning Research, 14, 75–109, Jan 2013.[Publication 4]: Pasi Jylänki, Aapo Nummenmaa and Aki Vehtari. Expectation Propagation for Neural Networks with Sparsity-promoting Priors. Journal of Machine Learning Research, Accepted for publication conditioned on minor revisions, preprint: arXiv:1303.6938 [stat.ML], 2013. |
|
|
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Page content by: Aalto University Learning Centre | Privacy policy of the service | About this site