Stein 方法基础
提出了 Stein 方法的新的一般版本,其中包括一种概率分布的 Stein 运算符的规范定义,该运算符是基于线性差分或微分类型运算符的;利用 Stein 运算符作用于函数对的思想,提供了广泛的分布比较工具包;给出了几个抽象逼近定理;并演示了该方法与几种分布对的比较。
Aug, 2014
本文将 Stein 的引理扩展到指数族混合分布,建立了 Stein 的引理和重新参数化技巧之间的联系,从而得到了许多新的可重新参数化的梯度等式,包括在学生 t 分布,偏斜高斯分布,指数修改高斯分布和正态逆高斯分布下的期望梯度
Oct, 2019
使用斯坦因方法可以通过采样分布的渐变信息来减少蒙特卡罗估计器的方差,本文建立了一类基于斯坦因方法的估计器的理论界限,分析考虑了采样分布和测试函数的平滑程度,状态空间的维数,以及来源于马尔可夫链的非独立样本的情况,这些结果提供了关于基于梯度的估计器快速收敛的见解,以及澄清了这种方法固有的维度问题。
Mar, 2016
本文发展了基于 Ito 扩散的新型特征算子,针对任何具有快速耦合 Ito 扩散的目标,开发了明确的多元 Stein 因子边界,并应用于多个实际应用中,从而通过质量度量来选择超参数,比较随机和确定性的积分规则,并量化近似 MCMC 中的偏差 - 方差权衡。
Nov, 2016
通过研究阿基米德和麦克斯韦的结果,我们讨论了中心高斯分布的特征及其与 Charles Stein 的公式的关系,并将其归纳到涉及 beta-gamma 代数的更一般的框架中,这解释了出现在 Stein 方法文献中的一些其他特征。
Jan, 2012
本文研究贝叶斯推断问题,特别关注于最近引入的斯坦变分梯度下降方法,介绍了该方法的交互粒子系统构建;并通过研究选择合适的正定核函数的问题,提出采用调整尾部的某些不可微核函数,证明在各种数值实验中这种方法具有明显的性能提升。
Dec, 2019
本文综述了浓度不等式在数学统计学中的应用,特别是在分布自由和依赖、亚高斯、亚指数、亚伽马和亚韦伯随机变量的最大浓度中的新结果,同时针对高维数据和线性回归提出了改进的界限。
Nov, 2020
为了提高 Monte Carlo 估计的效率,研究者们正转向有偏的马尔可夫链蒙特卡罗过程,通过权衡渐近精确度和计算速度来实现。本文引入一种基于 Stein's 方法的可计算质量度量来解决这些配合中不精确性带来的新挑战,并将其应用于超参数选择、收敛速率评估和后验推断中,比较精确、有偏和确定性样本序列,并量化样本和目标期望之间的最大偏差。
Jun, 2015
本文分析了描述高斯随机变量指数分布的对数正态分布,得出了对数正态随机变量求和的近似公式,并通过数值检验其有效性,揭示了其在小隧道结和电流流动中的物理意义。
Nov, 2002
本文通过插值化技巧,基于 Sourav Chatterjee 所发展的浓度理论,证明了一类随机矩阵谱范数的指数浓度不等式和多项式矩不等式,可以用来界定独立或相关随机矩阵的和以及其他矩阵值的函数。
Jan, 2012