每个问题的答案都是贝叶斯模型比较，假设竞争

AIGC动态欢迎阅读

原标题：每个问题的答案都是贝叶斯模型比较，假设竞争
关键字：模型,参数,证据,自由,数据
文章来源：人工智能学家
内容字数：30577字

内容摘要：

来源：CreateAMind
Bayesian model reduction
https://arxiv.org/pdf/1805.07092.pdf
具身智能系列文章
事实上，人们常说，每个问题的答案都是贝叶斯模型比较。这个观念有其深刻的道理。从某种意义上说，任何问题——可以用相互竞争的假设来提出——只能通过诉诸这些假设的证据来回答。换句话说，任何问题的答案都归结为假设或模型证据的比较，隐含在贝叶斯因子的使用中，或日志证据的差异Summary
本文回顾了统计结构学习的最新进展；即贝叶斯模型缩减。贝叶斯模型简化是一种快速计算仅先验不同的概率模型的证据和参数的⽅法。在变分贝叶斯的设置中，这有一个解析解，它巧妙地解决了模型比较或结构学习中大模型空间的评分问题。在本技术说明中，我们回顾了贝叶斯模型简化并提供了几个离散和连续概率分布的相关⽅程。我们提供了多元线性回归、高斯混合模型和动态系统（动态因果建模）背景下的工作示例。这些示例附有重现结果所需的 Matlab 脚本。最后，我们简要回顾了神经影像和神经科学领域的最新应用。具体来说，我们考虑结构学习和分层或经验贝叶斯，它们可以被视为神经生物学

原文链接：每个问题的答案都是贝叶斯模型比较，假设竞争