Modèles augmentés asymptotiquement exacts - Archive ouverte HAL Access content directly
Conference Papers Year : 2019

Modèles augmentés asymptotiquement exacts

Abstract

L’introduction de variables auxiliaires dans un modèle statistique est communément utilisée afin de simplifier une tâche d’inférence ou augmenter son efficacité. Cependant, l’introduction de ces variables telles que la distribution de probabilité initiale soit préservée relève bien souvent d’un art subtil. Cet article présente un cadre statistique unificateur permettant de lever ces verrous en relâchant l’hypothèse d’augmentation exacte. Ce cadre, appelé asymptotically exact data augmentation(AXDA), regroupe certains modèles de mélange, les modèles bayésiens robustes ou encore ceux construits à partir du splittingde variables. Afin d’illustrer l’intérêt d’une telle approche, un échantillonneur de Gibbs basé sur un modèle AXDA est présenté.
Fichier principal
Vignette du fichier
vono_24987.pdf (653.97 Ko) Télécharger le fichier
Origin : Files produced by the author(s)
Loading...

Dates and versions

hal-02419444 , version 1 (19-12-2019)

Identifiers

  • HAL Id : hal-02419444 , version 1
  • OATAO : 24987

Cite

Maxime Vono, Nicolas Dobigeon, Pierre Chainais. Modèles augmentés asymptotiquement exacts. 27e colloque du Groupe de Recherche et d'Etudes du Traitement du Signal et des Images (GRETSI 2019), Aug 2019, Lille, France. pp.1-4. ⟨hal-02419444⟩
25 View
17 Download

Share

Gmail Facebook Twitter LinkedIn More