다중 변곡점 분석을 위한 일반화 베이지안 방법
본 논문은 손실 함수에 다항 로지스틱 회귀를 도입한 일반화 베이지안 프레임워크를 이용해, 데이터 생성 과정을 명시하지 않고도 다중 변곡점을 탐지하고 해석할 수 있는 방법을 제시한다. 폴리-감마 데이터 증강을 활용한 Gibbs 샘플러로 사후 분포를 추정하고, 말뭉치 회귀 계수를 통해 변곡점의 성격을 직관적으로 해석한다. 변곡점 개수 선택은 사후 요약 통계에 기반한 새로운 절차를 사용한다. 시뮬레이션과 금융 네트워크·나노입자 영상 데이터에 대한 적…
저자: Yuhui Wang, Andrew M. Thomas, Michael Jauch
본 논문은 현대 데이터 분석에서 빈번히 나타나는 다중 변곡점 탐지 문제를 해결하기 위해, 손실 함수에 다항 로지스틱 회귀를 도입한 일반화 베이지안 프레임워크를 제안한다. 전통적인 베이지안 변곡점 방법은 각 구간의 데이터 생성 과정을 명시적인 확률 모델로 가정해야 하는데, 이는 고차원 이미지, 네트워크, 시계열 등 복잡한 데이터에 적용하기 어렵다. 저자들은 Bissiri et al. (2016)의 일반화 베이지안 이론을 활용해, 데이터와 파라미터 사이의 연결 고리를 손실 함수 ℓ(θ, x)로 대체한다. 여기서 손실 함수는 다항 로지스틱 회귀의 음의 로그우도 형태를 취하며, 변곡점 위치 κ와 구간별 회귀계수 β₁,…,β_J를 동시에 포함한다.
모델 설정은 다음과 같다. N개의 관측값 x₁,…,x_N (각각 p 차원)이 L개의 변곡점 κ₁<…<κ_L에 의해 J=L+1 구간으로 나뉜다. 각 구간 j는 클래스 j에 해당하고, 관측 i가 속한 클래스는 y_{ij}=1(κ_{j-1}
원본 논문
고화질 논문을 불러오는 중입니다...
댓글 및 학술 토론
Loading comments...
의견 남기기