Feb, 2011

马尔可夫链蒙特卡罗用于扩散精确推断

PDF
TL;DR本文介绍精确的马尔可夫链蒙特卡洛方法，可以应用于离散采样、直接和间接观察扩散过程。其中的方法可以模拟目前最普遍的精确模拟算法，并包括改进性能的方法。通过理论和实际对比，我们发现与当前最先进的方法相比，效果更好，而且一些指标有着有趣的联系。
发现论文，激发创造
  • 针对狄利克雷过程分层模型的追溯马尔可夫链蒙特卡罗方法

    本文介绍了两种新的马尔可夫链蒙特卡罗算法，使用回溯抽样方法，可以避免有限近似，从而精确地从兴趣量的后验分布中进行抽样，同时比较了边缘和条件方法，并包括了模拟研究。

    Oct, 2007

  • 马尔可夫跳过程及其扩展的快速 MCMC 采样

    本文介绍了一种利用 Gibbs sampler 并基于均一化思想从马尔可夫跳过程的后验分布模拟路径的方法，并表明该方法在 MJP 模型上表现良好。

    Aug, 2012

  • 连续时间切换动态系统的马尔可夫链蒙特卡罗方法

    该文提出了一种基于马尔科夫链蒙特卡罗方法的新型推断算法，用于在连续时间模型中获得精确的后验过程的样本，实现了贝叶斯参数估计，并估计了扩散协方差。

    May, 2022

  • 连续时间随机过程的期望传播

    通过 Bayesian 框架和变分近似推断将离散时间观察和连续时间约束转化为在扩散过程的轨迹上的后验测量逆问题，同时使用化学朗之万方程将此逼近推广到广泛的离散状态马尔可夫跳跃过程中，取得了计算效率高和逆问题的较好逼近的实验结果。

    Dec, 2015

  • 可微生成模型的渐近精确推断

    该研究介绍了一种在观测条件下，对生成模型进行高效的 MCMC 推断的方法。使用基于哈密顿蒙特卡罗的常约束变体来利用流形的平滑几何，无需近似贝叶斯计算，从而进行精确的推断。

    May, 2016

  • 使用引导式方法的贝叶斯估计多维扩散过程离散观测

    本文提出了一种新的框架来解决扩散过程参数估计中存在的难题，并将其应用于 Markov 链蒙特卡罗法中的数据扩充。该方法使用了一种基于随机游走的 Metropolis-Hastings 采样器来更新扩散程的参数，成功地解决了先前方法中的困难点。

    Jun, 2014

  • 高斯过程的伪边缘贝叶斯推断

    本文提出了一种基于伪边缘法的马尔可夫链蒙特卡罗通用策略，有效地解决了使用高斯过程先验的精确贝叶斯推理和模型参数不确定性导致的数据预测问题。此外，Monte Carlo 积分可用于预测中的所有模型参数，这在高斯过程的层次统计模型中具有重要意义，并与最先进的概率分类器进行了广泛的比较。

    Oct, 2013

  • 通过期望最大化从观测中学习扩散先验

    通过期望最大化算法基于不完整和噪声观测的训练扩散模型，以获得适用于下游任务的正确扩散模型。

    May, 2024

  • 基于梯度的马尔可夫链蒙特卡罗用于带有不可微先验的贝叶斯推断

    本文提出了一种使用欠阻尼 langevin 动力学的 Moreau-Yosida 近似的新实现方法，以及使用分段确定马尔可夫过程（PDMP）进行准确后验推断的方法。这两种采样方法使用范围更广泛，具有更好的采样精度。

    Mar, 2021

  • 用于双重难以计算分布的 MCMC

    本文介绍了 Moeller 等人（2004）的辅助变量方案，该方案用于从具有难以处理的归一化常数的分布中进行准确的抽样，并提出了一种新的 MCMC 算法，提高提议分布的接受概率，并在采样之前消除模型参数估计的需求。

    Jun, 2012