Modèles augmentés asymptotiquement exacts - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2019

Modèles augmentés asymptotiquement exacts

Résumé

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
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

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

Identifiants

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

Citer

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⟩
50 Consultations
24 Téléchargements

Partager

Gmail Facebook X LinkedIn More