Leave-one-out cross-validation for Bayesian model comparison in large data

Måns Magnusson*, Michael Riis Andersen, Johan Jonasson, Aki Vehtari

*Tämän työn vastaava kirjoittaja

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference contributionScientificvertaisarvioitu

Abstrakti

Recently, new methods for model assessment, based on subsampling and posterior approximations, have been proposed for scaling leave-one-out cross-validation (LOO-CV) to large datasets. Although these methods work well for estimating predictive performance for individual models, they are less powerful in model comparison. We propose an efficient method for estimating differences in predictive performance by combining fast approximate LOO surrogates with exact LOO sub-sampling using the difference estimator and supply proofs with regards to scaling characteristics. The resulting approach can be orders of magnitude more efficient than previous approaches, as well as being better suited to model comparison.
AlkuperäiskieliEnglanti
OtsikkoProceedings of the Twenty Third International Conference on Artificial Intelligence and Statistics, PMLR
Sivut341-351
TilaJulkaistu - 2020
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaInternational Conference on Artificial Intelligence and Statistics - Palermo, Italia
Kesto: 3 kesäkuuta 20205 kesäkuuta 2020
Konferenssinumero: 23

Julkaisusarja

NimiProceedings of Machine Learning Research
KustantajaPMLR
Vuosikerta108
ISSN (elektroninen)2640-3498

Conference

ConferenceInternational Conference on Artificial Intelligence and Statistics
LyhennettäAISTATS
MaaItalia
KaupunkiPalermo
Ajanjakso03/06/202005/06/2020

Sormenjälki Sukella tutkimusaiheisiin 'Leave-one-out cross-validation for Bayesian model comparison in large data'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä