論文の概要: FBMS: An R Package for Flexible Bayesian Model Selection and Model Averaging

• arxiv url: http://arxiv.org/abs/2509.00753v1
• Date: Sun, 31 Aug 2025 09:04:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.375857
• Title: FBMS: An R Package for Flexible Bayesian Model Selection and Model Averaging
• Title（参考訳）: FBMS: 柔軟なベイズモデル選択とモデル平均化のためのRパッケージ
• Authors: Florian Frommlet, Jon Lachmann, Geir Storvik, Aliaksandr Hubin,
• Abstract要約: FBMSパッケージは、効率的なMode Jumping Markov Chain Monte Carlo (MJMCMC)アルゴリズムを実装している。 この枠組みの中で、アルゴリズムは変換された特徴の集団を維持・更新し、その後部確率を計算し、それらから構築されたモデルの後部確率を評価する。 ガウス回帰における推論モデルと予測モデルの両方にFBMSを効果的に利用することを示し、BGNLMモデルの異なるインスタンスに着目した。
• 参考スコア（独自算出の注目度）: 14.487258585834374
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The FBMS R package facilitates Bayesian model selection and model averaging in complex regression settings by employing a variety of Monte Carlo model exploration methods. At its core, the package implements an efficient Mode Jumping Markov Chain Monte Carlo (MJMCMC) algorithm, designed to improve mixing in multi-modal posterior landscapes within Bayesian generalized linear models. In addition, it provides a genetically modified MJMCMC (GMJMCMC) algorithm that introduces nonlinear feature generation, thereby enabling the estimation of Bayesian generalized nonlinear models (BGNLMs). Within this framework, the algorithm maintains and updates populations of transformed features, computes their posterior probabilities, and evaluates the posteriors of models constructed from them. We demonstrate the effective use of FBMS for both inferential and predictive modeling in Gaussian regression, focusing on different instances of the BGNLM class of models. Furthermore, through a broad set of applications, we illustrate how the methodology can be extended to increasingly complex modeling scenarios, extending to other response distributions and mixed effect models.
• Abstract（参考訳）: FBMS Rパッケージは、様々なモンテカルロモデル探索手法を用いて、複雑な回帰設定におけるベイズモデルの選択とモデル平均化を容易にする。 このパッケージの中核は、効率の良いモードジャンプマルコフ・チェイン・モンテカルロ (MJMCMC) アルゴリズムを実装し、ベイジアン一般化線形モデル内の多重モード後部景観の混合を改善する。 さらに、非線形特徴生成を導入し、ベイズ一般化非線形モデル(BGNLM)の推定を可能にする遺伝子組み換えMJMCMC(GMJMCMC)アルゴリズムを提供する。 この枠組みの中で、アルゴリズムは変換された特徴の集団を維持・更新し、その後部確率を計算し、それらから構築されたモデルの後部確率を評価する。 ガウス回帰における推論モデルと予測モデルの両方にFBMSを効果的に利用することを示し、BGNLMモデルの異なるインスタンスに着目した。 さらに、広範囲のアプリケーションを通して、方法論をますます複雑なモデリングシナリオに拡張し、他の応答分布や混合効果モデルに拡張する方法について説明する。

関連論文リスト

• Revisiting Bayesian Model Averaging in the Era of Foundation Models [4.867923281108005]
  我々は、古典的で本格的なベイズモデル平均化(BMA)パラダイムを再考し、事前訓練または/または軽微な基礎モデルを組み立てる。 予め訓練された基礎モデルから凍結した特徴を入力として取り出す訓練可能な線形分類器を導入する。
  論文  参考訳（メタデータ） (2025-05-28T01:03:28Z)
• Fusion of Gaussian Processes Predictions with Monte Carlo Sampling [61.31380086717422]
  科学と工学において、私たちはしばしば興味のある変数の正確な予測のために設計されたモデルで作業します。 これらのモデルが現実の近似であることを認識し、複数のモデルを同じデータに適用し、結果を統合することが望ましい。
  論文  参考訳（メタデータ） (2024-03-03T04:21:21Z)
• Multi-Response Heteroscedastic Gaussian Process Models and Their Inference [1.52292571922932]
  本稿ではヘテロセダスティック共分散関数のモデリングのための新しいフレームワークを提案する。 後部モデルに近似し, 後部予測モデルを容易にするために, 変分推論を用いる。 提案するフレームワークは,幅広いアプリケーションに対して,堅牢で汎用的なツールを提供する。
  論文  参考訳（メタデータ） (2023-08-29T15:06:47Z)
• When to Update Your Model: Constrained Model-based Reinforcement Learning [50.74369835934703]
  モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。 続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。 さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2022-10-15T17:57:43Z)
• Spike-and-Slab Generalized Additive Models and Scalable Algorithms for High-Dimensional Data [0.0]
  本稿では,高次元データに対応するため,階層型一般化加法モデル(GAM)を提案する。 曲線の適切な縮退と滑らか化関数線型空間と非線形空間の分離に対する平滑化ペナルティを考察する。 2つの決定論的アルゴリズム、EM-Coordinate Descent と EM-Iterative Weighted Least Squares は異なるユーティリティ向けに開発された。
  論文  参考訳（メタデータ） (2021-10-27T14:11:13Z)
• Community Detection in the Stochastic Block Model by Mixed Integer Programming [3.8073142980733]
  Degree-Corrected Block Model (DCSBM) は、コミュニティ構造を持つランダムグラフを生成する一般的なモデルである。 DCSBMに基づくコミュニティ検出の標準的なアプローチは、最大推定(MLE)により観測されたネットワークデータを生成する可能性が最も高いモデルパラメータを探索することである。 本稿では,モデルパラメータと最大確率のコミュニティ割当を観測グラフから確実に求める数学的計画式と厳密解法を提案する。
  論文  参考訳（メタデータ） (2021-01-26T22:04:40Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)
• Control as Hybrid Inference [62.997667081978825]
  本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。 連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
  論文  参考訳（メタデータ） (2020-07-11T19:44:09Z)
• Variational Model-based Policy Optimization [34.80171122943031]
  モデルベース強化学習(RL)アルゴリズムにより、実システムとの相互作用から得られたデータとモデル生成データを組み合わせ、RLにおけるデータ効率問題を緩和する。 本稿では,ログライクリフのログライクリフの変動的下界としての目的関数を提案し,モデルとポリシーを共同で学習し,改善する。 多くの連続制御タスクに関する実験により、モデルベース(Eステップ)アルゴリズムはより複雑であるにもかかわらず、浮動小数点数モデルベースポリシー最適化(VMBPO)と呼ばれるアルゴリズムの方がよりサンプリング効率が高いことが示された。
  論文  参考訳（メタデータ） (2020-06-09T18:30:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。