FBST em problemas de likelihood-free

• Autor(a) principal: Musetti, Marcela
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: https://www.teses.usp.br/teses/disponiveis/45/45133/tde-03042023-095110/
• topic: Aprendizado de máquina; FBST; FBST; Likelihood-free; Likelihood-free; Machine learning

Na inferência Bayesiana, problemas com a obtenção da distribuição a posteriori analiticamente, em problemas de \\textit são frequentes. E mesmo quando a solução desse problema é feito de forma computacional, ainda temos desafios com a realização de inferências, como o teste de hipóteses precisas. Uma forma Bayesiana de testar hipóteses precisas é via o Full Bayesian Significance Test (FBST) no qual calcula-se uma medida de evidência, denominada por e-valor. Nessa dissertação, queremos encontrar as densidades a posteriori em problemas de \\textit pelo o método FlexCode, ao invés do tradicional MCMC e com as densidades em mãos propor uma solução para o cálculo do e-valor: através de métodos de classificação ou da integração computacional da densidade obtida via FlexCode. Dessa forma, conseguimos resolver problemas frequentes na inferência bayesiana transformando-os em um problema possível de resolver no universo de aprendizado de máquina