Les méthodes bayésiennes variationnelles et leur application en neuroimagerie : une étude de l'existant

Christine Keribin (1)

1 SELECT - Model selection in statistical learning

En estimation bayésienne, les lois a posteriori ne sont pas toujours accessibles, même par des méthodes de Monte-Carlo par Chaîne de Markov. Les méthodes bayésiennes variationnelles permettent de calculer directement (et rapidement) une approximation déterministe des lois a posteriori. Ce papier décrit le principe des méthodes variationnelles et leur application à l'inférence bayésienne, fait le point sur les principaux résultats théoriques et présente deux exemples d'utilisation en neuroimagerie.

Mots clés: Méthodes variationnelles; analyse bayésienne; approximation en champ moyen; approximation de Laplace; algorithme EM; méthodes MCMC; sélection de modèles; modèles de mélange spaciaux; données IRMf

Domaines: Statistiques [math.ST]; Théorie [stat.TH]

Christine Keribin. Les méthodes bayésiennes variationnelles et leur application en neuroimagerie : une étude de l'existant. [Rapport de recherche] RR-7091, INRIA. 2009, pp.25. ⟨inria-00430289⟩