Czy uważasz, że HBM vs EB to dwie alternatywy, w których hiperparametry są „w grze” próbkowania / szacowania / itp.? Istnieje wyraźny związek między tymi dwoma.
Czy uważasz, że HBM jest bardziej „w pełni bayesowski” niż EB? Czy jest miejsce, w którym mogę zobaczyć, jakie są różnice między byciem „w pełni bayesowskim” a innymi alternatywami?
Dzięki.
bayesian
empirical-bayes
singelton
źródło
źródło
Odpowiedzi:
Powiedziałbym, że HBM z pewnością jest „bardziej bayesowski” niż EB, ponieważ marginalizacja jest bardziej bayesowskim podejściem niż optymalizacją. Zasadniczo wydaje mi się, że EB ignoruje niepewność hiperparametrów, podczas gdy HBM próbuje uwzględnić ją w analizie. Podejrzewam, że HMB jest dobrym pomysłem tam, gdzie jest mało danych, a zatem znaczna niepewność co do hiper-parametrów, które należy uwzględnić. Z drugiej strony w przypadku dużych zestawów danych EB staje się bardziej atrakcyjny, ponieważ jest ogólnie mniej kosztowny obliczeniowo, a ilość danych często oznacza, że wyniki są znacznie mniej wrażliwe na ustawienia hiperparametrów.
Pracowałem nad klasyfikatorami procesów Gaussa i dość często optymalizując hiperparametry w celu maksymalizacji marginalnego prawdopodobieństwa, skutkuję nadmiernym dopasowaniem ML, a zatem znacznym pogorszeniem wydajności uogólnienia. Podejrzewam, że w takich przypadkach pełne leczenie HBM byłoby bardziej niezawodne, ale także znacznie droższe.
źródło