Yes, but did it work? Evaluating variational inference

Yuling Yao*, Aki Vehtari, Daniel Simpson, Andrew Gelman

*Tämän työn vastaava kirjoittaja

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference contributionScientificvertaisarvioitu

7 Sitaatiot (Scopus)
30 Lataukset (Pure)

Abstrakti

While it's always possible to compute a variational approximation to a posterior distribution, it can be difficult to discover problems with this approximation". We propose two diagnostic algorithms to alleviate this problem. The Paretosmoothed importance sampling (PSIS) diagnostic gives a goodness of fit measurement for joint distributions, while simultaneously improving the error in the estimate. The variational simulationbased calibration (VSBC) assesses the average performance of point estimates.

AlkuperäiskieliEnglanti
Otsikko35th International Conference on Machine Learning, ICML 2018
ToimittajatJennifer Dy, Andreas Krause
Sivut8887-8895
Sivumäärä9
Vuosikerta12
ISBN (elektroninen)9781510867963
TilaJulkaistu - 1 tammikuuta 2018
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaINTERNATIONAL CONFERENCE ON MACHINE LEARNING - Stockholm, Ruotsi
Kesto: 10 heinäkuuta 201815 heinäkuuta 2018
Konferenssinumero: 35

Julkaisusarja

NimiProceedings of Machine Learning Research
KustantajaPMLR
Numero80
ISSN (elektroninen)1938-7228

Conference

ConferenceINTERNATIONAL CONFERENCE ON MACHINE LEARNING
LyhennettäICML
MaaRuotsi
KaupunkiStockholm
Ajanjakso10/07/201815/07/2018

Sormenjälki Sukella tutkimusaiheisiin 'Yes, but did it work? Evaluating variational inference'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä