Jenseits des Bayesschen Modell-Durchschnitts über Pfade in probabilistischen Programmen mit stochastischer Unterstützung

Die Verwendung des vollen Bayes-Posteriors in probabilistischen Programmen mit stochastischer Unterstützung führt implizit zu einer Bayesschen Modell-Durchschnittsbildung (BMA) über die möglichen Programmpfade. Dies kann jedoch problematisch sein, da die BMA-Gewichte instabil sein können, was zu suboptimalen Vorhersagen führen kann. Daher schlagen wir alternative Mechanismen zur Pfadgewichtung vor, die auf Stacking und PAC-Bayes-Ideen basieren. Diese können als kostengünstiger Nachverarbeitungsschritt auf bestehende Inferenzmaschinen aufgesetzt werden und zeigen in unseren Experimenten robustere Gewichte und bessere Vorhersagen im Vergleich zum Standard-BMA.