Resultados m\u00e1s r\u00e1pidos<\/strong><\/p>\nCuando los investigadores buscan una forma m\u00e1s r\u00e1pida de inferencia bayesiana, a menudo recurren a una t\u00e9cnica llamada inferencia variacional de diferenciaci\u00f3n autom\u00e1tica (ADVI), que suele ser r\u00e1pida de ejecutar y f\u00e1cil de usar.<\/p>\n
Pero Broderick y sus colaboradores han encontrado una serie de problemas pr\u00e1cticos con ADVI. Tiene que resolver un problema de optimizaci\u00f3n y s\u00f3lo puede hacerlo de forma aproximada. Por lo tanto, ADVI a\u00fan puede requerir mucho tiempo de c\u00e1lculo y esfuerzo del usuario para determinar si la soluci\u00f3n aproximada es lo suficientemente buena. Y una vez que se llega a una soluci\u00f3n, \u00e9sta tiende a proporcionar estimaciones de incertidumbre deficientes.<\/p>\n
En lugar de reinventar la rueda, el equipo tom\u00f3 muchas ideas de ADVI pero las transform\u00f3 para crear una t\u00e9cnica llamada ADVI determinista (DADVI) que no tiene estas desventajas.<\/p>\n
Con DADVI, queda muy claro cu\u00e1ndo finaliza la optimizaci\u00f3n, por lo que el usuario no necesitar\u00e1 dedicar tiempo de c\u00e1lculo adicional para garantizar que se haya encontrado la mejor soluci\u00f3n. DADVI tambi\u00e9n permite la incorporaci\u00f3n de m\u00e9todos de optimizaci\u00f3n m\u00e1s potentes que le dan un impulso adicional de velocidad y rendimiento.<\/p>\n
Una vez que alcanza un resultado, DADVI se configura para permitir el uso de correcciones de incertidumbre. Estas correcciones hacen que sus estimaciones de incertidumbre sean mucho m\u00e1s precisas que las de ADVI.<\/p>\n
DADVI tambi\u00e9n permite al usuario ver claramente en cu\u00e1nto error ha incurrido en la aproximaci\u00f3n al problema de optimizaci\u00f3n. Esto evita que un usuario ejecute innecesariamente la optimizaci\u00f3n una y otra vez con m\u00e1s y m\u00e1s recursos para intentar reducir el error.<\/p>\n
\"Quer\u00edamos ver si pod\u00edamos cumplir la promesa de la inferencia de caja negra en el sentido de que, una vez que el usuario crea su modelo, puede simplemente ejecutar la inferencia bayesiana y no tiene que derivar todo a mano, no No necesitan determinar cu\u00e1ndo detener su algoritmo y tienen una idea de cu\u00e1n precisa es su soluci\u00f3n aproximada\u201d, dice Broderick.<\/p>\n
Desafiando la sabidur\u00eda convencional<\/strong><\/p>\nDADVI puede ser m\u00e1s eficaz que ADVI porque utiliza un m\u00e9todo de aproximaci\u00f3n eficiente, llamado aproximaci\u00f3n de promedio muestral, que estima una cantidad desconocida siguiendo una serie de pasos exactos.<\/p>\n
Debido a que los pasos a lo largo del camino son exactos, queda claro cu\u00e1ndo se ha alcanzado el objetivo. Adem\u00e1s, alcanzar ese objetivo normalmente requiere menos pasos.<\/p>\n
A menudo, los investigadores esperan que la aproximaci\u00f3n del promedio de la muestra sea m\u00e1s intensiva desde el punto de vista computacional que un m\u00e9todo m\u00e1s popular, conocido como gradiente estoc\u00e1stico, que utiliza ADVI. Pero Broderick y sus colaboradores demostraron que, en muchas aplicaciones, este no es el caso.<\/p>\n
\u201cMuchos problemas realmente tienen una estructura especial, y puedes ser mucho m\u00e1s eficiente y obtener un mejor rendimiento aprovechando esa estructura especial. Eso es algo que realmente hemos visto en este art\u00edculo\u201d, a\u00f1ade.<\/p>\n
Probaron DADVI en varios modelos y conjuntos de datos del mundo real, incluido un modelo utilizado por economistas para evaluar la eficacia de los pr\u00e9stamos de microcr\u00e9dito y uno utilizado en ecolog\u00eda para determinar si una especie est\u00e1 presente en un sitio en particular.<\/p>\n
En general, descubrieron que DADVI puede estimar par\u00e1metros desconocidos de manera m\u00e1s r\u00e1pida y confiable que otros m\u00e9todos, y logra una precisi\u00f3n tan buena o mejor que ADVI. Al ser m\u00e1s f\u00e1cil de utilizar que otras t\u00e9cnicas, DADVI podr\u00eda ofrecer un impulso a los cient\u00edficos en una amplia variedad de campos.<\/p>\n
En el futuro, los investigadores quieren profundizar en los m\u00e9todos de correcci\u00f3n de las estimaciones de incertidumbre para poder comprender mejor por qu\u00e9 estas correcciones pueden producir incertidumbres tan precisas y cu\u00e1ndo podr\u00edan quedarse cortas.<\/p>\n
\u201cEn estad\u00edstica aplicada, a menudo tenemos que utilizar algoritmos aproximados para problemas que son demasiado complejos o de grandes dimensiones para permitir que se calculen soluciones exactas en un tiempo razonable. Este nuevo art\u00edculo ofrece un interesante conjunto de teor\u00edas y resultados emp\u00edricos que apuntan a una mejora en un popular algoritmo aproximado existente para la inferencia bayesiana\u201d, dice Andrew Gelman ’85, ’86, profesor de estad\u00edstica y ciencias pol\u00edticas en la Universidad de Columbia, quien fue no involucrado con el estudio. \"Como miembro del equipo involucrado en la creaci\u00f3n de ese trabajo anterior, estoy feliz de ver que nuestro algoritmo sea reemplazado por algo m\u00e1s estable\".<\/p>\n
Esta investigaci\u00f3n fue apoyada por el Premio CAREER de la Fundaci\u00f3n Nacional de Ciencias y la Oficina de Investigaci\u00f3n Naval de EE. UU. <\/p>\n<\/p><\/div>\n
[ad_2]
\n
Source link <\/a><\/p>\n","protected":false},"excerpt":{"rendered":"[ad_1] Los encuestadores que intentan predecir los resultados de las elecciones presidenciales y los f\u00edsicos que buscan exoplanetas distantes tienen al menos una cosa en com\u00fan: a menudo utilizan una t\u00e9cnica cient\u00edfica probada y verdadera llamada inferencia bayesiana. La inferencia bayesiana permite a estos cient\u00edficos estimar eficazmente alg\u00fan par\u00e1metro desconocido (como el ganador de una […]<\/p>\n","protected":false},"author":1,"featured_media":171026,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_et_pb_use_builder":"","_et_pb_old_content":"","_et_gb_content_width":"","footnotes":""},"categories":[52],"tags":[14639,14638,14640,14637,14636],"class_list":["post-171025","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ciencia","tag-advi-determinista","tag-aproximacion-promedio-muestral","tag-dadvi","tag-inferencia-bayesiana","tag-tamara-broderick","et-has-post-format-content","et_post_format-et-post-format-standard"],"_links":{"self":[{"href":"https:\/\/rbnews247.com\/v1\/wp-json\/wp\/v2\/posts\/171025","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/rbnews247.com\/v1\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/rbnews247.com\/v1\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/rbnews247.com\/v1\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/rbnews247.com\/v1\/wp-json\/wp\/v2\/comments?post=171025"}],"version-history":[{"count":0,"href":"https:\/\/rbnews247.com\/v1\/wp-json\/wp\/v2\/posts\/171025\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/rbnews247.com\/v1\/wp-json\/wp\/v2\/media\/171026"}],"wp:attachment":[{"href":"https:\/\/rbnews247.com\/v1\/wp-json\/wp\/v2\/media?parent=171025"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/rbnews247.com\/v1\/wp-json\/wp\/v2\/categories?post=171025"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/rbnews247.com\/v1\/wp-json\/wp\/v2\/tags?post=171025"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
![](\"https:\/\/news.mit.edu\/sites\/default\/files\/styles\/news_article__cover_image__original\/public\/images\/202402\/MIT-Deterministic-Inference-01.jpg?itok=3uJtCjFf\")
<\/p>\n