Robust and parallel Bayesian model selection

انتخاب مدل موثر و دقیق یک مشکل مهم در تحلیل داده های مدرن است. یکی از چالش های عمده، بار محاسباتی مورد نیاز برای رسیدگی به مجموعه های داده های بزرگ است که نمی توانند در یک دستگاه ذخیره یا پردازش شوند. یکی دیگر از چالش هایی که ممکن است با آن روبرو شود، وجود آلودگی ها و آلودگی ها است که به کیفیت استنباط آسیب می رساند. موازی؟ تقسیم و فتح؟ استراتژی انتخاب مدل مشاهدات مجموعه داده های کامل را به زیر مجموعه های تقریبا مساوی تقسیم می کند و نتیجه گیری و انتخاب مدل را به طور مستقل در هر زیر مجموعه انجام می دهد. پس از استنتاج زیرمجموعه محلی، این روش، احتمال احتمالی مدل خلفی یا سایر معیارهای انتخاب مدل / متغیر را برای بدست آوردن مدل نهایی با استفاده از مفهوم هندسی هندسی جمع می کند. این روش منجر به بهبود تمرکز در پیدا کردن یک اصلاح پارامترهای مدل و مدل و همچنین به طور قابل ملاحظه ای از آلودگی داده ها و آلودگی اطلاعاتی برخوردار است.