Fully probabilistic design of hierarchical Bayesian models

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F16%3A00463052" target="_blank" >RIV/67985556:_____/16:00463052 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1016/j.ins.2016.07.035" target="_blank" >http://dx.doi.org/10.1016/j.ins.2016.07.035</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1016/j.ins.2016.07.035" target="_blank" >10.1016/j.ins.2016.07.035</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Fully probabilistic design of hierarchical Bayesian models

Popis výsledku v původním jazyce

The minimum cross-entropy principle is an established technique for design of an un- known distribution, processing linear functional constraints on the distribution. More generally, fully probabilistic design (FPD) chooses the distribution-within the knowledge-constrained set of possible distributions-for which the Kullback-Leibler divergence to the designer’s ideal distribution is minimized. These principles treat the unknown distribution deterministically. In this paper, fully probabilistic design is applied to hierarchical Bayesian models for the first time, yielding optimal design of a (possibly nonparametric) stochastic model for the unknown distribution. This equips minimum cross-entropy and FPD distributional estimates with measures of uncertainty. It enables robust choice of the optimal model, as well as randomization of this choice. The ability to process non-linear functional constraints in the constructed distribution significantly extends the applicability of these principles.

Název v anglickém jazyce

Fully probabilistic design of hierarchical Bayesian models

Popis výsledku anglicky

The minimum cross-entropy principle is an established technique for design of an un- known distribution, processing linear functional constraints on the distribution. More generally, fully probabilistic design (FPD) chooses the distribution-within the knowledge-constrained set of possible distributions-for which the Kullback-Leibler divergence to the designer’s ideal distribution is minimized. These principles treat the unknown distribution deterministically. In this paper, fully probabilistic design is applied to hierarchical Bayesian models for the first time, yielding optimal design of a (possibly nonparametric) stochastic model for the unknown distribution. This equips minimum cross-entropy and FPD distributional estimates with measures of uncertainty. It enables robust choice of the optimal model, as well as randomization of this choice. The ability to process non-linear functional constraints in the constructed distribution significantly extends the applicability of these principles.

Druh

J_x - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

CEP obor

BB - Aplikovaná statistika, operační výzkum

OECD FORD obor

—

Projekt

<a href="/cs/project/GA13-13502S" target="_blank" >GA13-13502S: Plně pravděpodobností návrh dynamických rozhodovacích strategií s nedokonalými účastníky v tržních scénářích</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2016

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Information Sciences

ISSN

0020-0255

e-ISSN

—

Svazek periodika

369

Číslo periodika v rámci svazku

1

Stát vydavatele periodika

US - Spojené státy americké

Počet stran výsledku

16

Strana od-do

532-547

Kód UT WoS článku

000383292500035

EID výsledku v databázi Scopus

2-s2.0-84978967308