Conceitos Básicos
확률 프로그램의 경로에 대한 베이지안 모델 평균은 모델 오류 또는 추론 근사치로 인해 불안정할 수 있으며, 이는 예측 성능 저하로 이어질 수 있다. 이를 해결하기 위해 스태킹과 PAC-Bayes 기반의 대안적 가중치 메커니즘을 제안한다.
Resumo
이 논문은 확률 프로그램에서 경로에 대한 베이지안 모델 평균(BMA)의 문제점을 지적하고, 이를 해결하기 위한 대안적 가중치 메커니즘을 제안한다.
-
확률 프로그램의 전체 사후 분포는 개별 직선 프로그램(SLP) 사후 분포의 가중합으로 표현될 수 있으며, 이는 BMA를 암시적으로 수행하고 있음을 보여준다.
-
BMA 가중치는 모델 오류 또는 추론 근사치로 인해 불안정할 수 있으며, 이는 예측 성능 저하로 이어질 수 있다.
-
이를 해결하기 위해 스태킹과 PAC-Bayes 기반의 대안적 가중치 메커니즘을 제안한다. 이는 기존 추론 엔진 위에 저렴한 후처리 단계로 구현할 수 있다.
-
실험 결과, 제안된 방법들이 BMA 가중치보다 더 robust하고 예측 성능이 우수함을 보여준다.
Estatísticas
모델 오류 또는 추론 근사치로 인해 BMA 가중치가 불안정할 수 있다.
제안된 스태킹 및 PAC-Bayes 기반 가중치 메커니즘이 BMA 가중치보다 더 robust하고 예측 성능이 우수하다.
Citações
"BMA often performs poorly under model misspecification (Gelman and Yao, 2020; Oelrich et al., 2020), wherein it tends to produce overconfident posterior model weights that collapse towards a single model (Huggins and Miller, 2021; Yang and Zhu, 2018)."
"Given that models will rarely be perfect when working with real data (Box, 1976; Key et al., 1999; Vehtari and Ojanen, 2012), this is a serious practical concern that has been observed to cause notable issues in many applied fields (Yang and Zhu, 2018; Smets and Wouters, 2007; Leff et al., 2008)."