Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
Zur Ablage hinzufügen
 Lokale TagsFreigabegeschichteDetailsÜbersicht
  Bayesian Inference for Sparse Generalized Linear Models

Seeger, M., Gerwinn, S., & Bethge, M. (2007). Bayesian Inference for Sparse Generalized Linear Models. In N. Kok, J. Koronacki, R. Lopez de Mantaras, S. Matwin, D. Mladenic, & A. Skowron (Eds.), Machine Learning: ECML 2007: 18th European Conference on Machine Learning, Warsaw, Poland, September 17-21, 2007 (pp. 298-309). Berlin, Germany: Springer.

Item is

 

einblenden: alle ausblenden: alle

Basisdaten

einblenden: ausblenden:
Datensatz-Permalink: https://hdl.handle.net/11858/00-001M-0000-0013-CBD5-B Versions-Permalink: https://hdl.handle.net/21.11116/0000-0003-D20F-0
Genre: Konferenzbeitrag

Externe Referenzen

einblenden:
ausblenden:
externe Referenz:
https://link.springer.com/content/pdf/10.1007%2F978-3-540-74958-5_29.pdf (Verlagsversion)
Beschreibung:
-
OA-Status:

Urheber

einblenden:
ausblenden:
 Urheber:
Seeger, M1, 2, Autor           
Gerwinn, S1, 2, 3, Autor           
Bethge, M2, 3, Autor           
Affiliations:
1Department Empirical Inference, Max Planck Institute for Biological Cybernetics, Max Planck Society, ou_1497795              
2Max Planck Institute for Biological Cybernetics, Max Planck Society, Spemannstrasse 38, 72076 Tübingen, DE, ou_1497794              
3Research Group Computational Vision and Neuroscience, Max Planck Institute for Biological Cybernetics, Max Planck Society, ou_1497805              

Inhalt

einblenden:
ausblenden:
Schlagwörter: -
 Zusammenfassung: We present a framework for efficient, accurate approximate Bayesian inference in generalized linear models (GLMs), based on the expectation propagation (EP) technique. The parameters can be endowed with a factorizing prior distribution, encoding properties such as sparsity or non-negativity. The central role of posterior log-concavity in Bayesian GLMs is emphasized and related to stability issues in EP. In particular, we use our technique to infer the parameters of a point process model for neuronal spiking data from multiple electrodes, demonstrating significantly superior predictive performance when a sparsity assumption is enforced via a Laplace prior distribution.

Details

einblenden:
ausblenden:
Sprache(n):
 Datum: 2007-09
 Publikationsstatus: Erschienen
 Seiten: -
 Ort, Verlag, Ausgabe: -
 Inhaltsverzeichnis: -
 Art der Begutachtung: -
 Identifikatoren: DOI: 10.1007/978-3-540-74958-5_29
BibTex Citekey: 4807
 Art des Abschluß: -

Veranstaltung

einblenden:
ausblenden:
Titel: 18th European Conference on Machine Learning (ECML 2007)
Veranstaltungsort: Warsaw, Poland
Start-/Enddatum: 2007-09-17 - 2007-09-21

Entscheidung

einblenden:

Projektinformation

einblenden:

Quelle 1

einblenden:
ausblenden:
Titel: Machine Learning: ECML 2007: 18th European Conference on Machine Learning, Warsaw, Poland, September 17-21, 2007
Genre der Quelle: Konferenzband
 Urheber:
Kok, NJ, Herausgeber
Koronacki, J, Herausgeber
Lopez de Mantaras, R, Herausgeber
Matwin, S, Herausgeber
Mladenic, D, Herausgeber
Skowron, A, Herausgeber
Affiliations:
-
Ort, Verlag, Ausgabe: Berlin, Germany : Springer
Seiten: - Band / Heft: - Artikelnummer: - Start- / Endseite: 298 - 309 Identifikator: ISBN: 978-3-540-74957-8

Quelle 2

einblenden:
ausblenden:
Titel: Lecture Notes in Computer Science
Genre der Quelle: Reihe
 Urheber:
Affiliations:
Ort, Verlag, Ausgabe: -
Seiten: - Band / Heft: 4701 Artikelnummer: - Start- / Endseite: - Identifikator: -