Mar, 2012

自适应和交互式马尔可夫链蒙特卡罗算法的收敛

PDF
TL;DR本文介绍一种基于 Markov chain Monte Carlo 算法的新型模拟算法，具有高效采样复杂分布的性能，并介绍一种方法学和理论框架，证明了边际分布的收敛性和大数定律成立的条件， 并且具有一定的泛化性，适用于目标分布为非平稳分布的情况。
markov chain monte carlosimulation algorithmsadaptive metropolis algorithminteracting tempering algorithmconvergence
发现论文，激发创造
  • 高效蒙特卡洛计算的伪边际方法

    该研究介绍了一种强大、灵活的 MCMC 算法，基于最初在遗传学期刊中引入的伪边际方法。该方法描述了该算法近似理想边际算法的过程，具有相同的稳态分布。此外，该方法的收敛特性得到了理论证明，并给出了简单的数值实例以说明技术的实用性。

    Mar, 2009

  • 加速 MCMC 算法

    本研究使用 Markov chain Monte Carlo 算法通过局部探索复杂的统计分布进行模拟，加速收敛的技术包括 tempering 和 Hamiltonian Monte Carlo 等方法。

    Apr, 2018

  • 变分 MCMC

    介绍一种新型学习算法，该算法结合了变分逼近和马尔可夫链蒙特卡罗（MCMC）模拟，它的目的是更好地估计高阶时刻，如协方差，并用于逻辑信念网络的贝叶斯参数估计问题。

    Jan, 2013

  • 变分共识蒙特卡罗

    本文提出了一种改进的变分共识蒙特卡洛算法，该算法优化聚合函数以从分布中获得更好的近似目标，并展示了在三个推理任务中的优越性，实验结果表明，在一些情况下，改进后的算法较串行 MCMC 更快而且相对误差降低幅度高达 92%。

    Jun, 2015

  • 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

  • Bayesian probit 回归的 Albert 和 Chib 算法的收敛复杂性分析

    本文研究了在高维贝叶斯问题中使用 MCMC 算法，以及使用漂移和最小化条件来分析蒙特卡罗马尔可夫链的收敛速率，并对代数和 Chib 的数据增广算法进行了深入的分析，证明其下界大于 1，并且得到了渐近分析的一些实际结果。

    Dec, 2017

  • 自适应 MCMC 的强化学习

    该论文介绍了一种名为强化学习 Metropolis-Hastings 的通用框架，通过理论支持和实证验证，旨在学习快速混合的 Metropolis-Hastings 转移核，并通过策略梯度进行优化。该方法被用于构建一个无梯度采样器，在 PosteriorDB 基准测试中比一种常用的无梯度自适应 Metropolis-Hastings 算法性能表现更好。

    May, 2024

  • 带随机接受概率的耦合马尔可夫链蒙特卡罗方法

    本文介绍了一个基于独立在线 Monte Carlo 模拟的估计器，该估计器替代了目标分布比率的对数，并应用在 Metropolis Hastings MCMC 中。文章探讨了基于该均值估计的情况，并对其他算法的近似版本进行了研究，最后得出其中的 Monte Carlo 误差的数量级，以及估计拒绝率的修正项。

    May, 2012

  • 使用 L-Lag 耦合估计马尔可夫链的收敛性

    使用 L - 滞后耦合生成可计算的、非渐近的上界估计来比较不同的 MCMC 算法，进一步评估了串行蒙特卡罗和自归一化重要性抽样器的偏差。

    May, 2019

  • 无偏耦合马尔可夫链蒙特卡罗方法

    本论文介绍采用马尔可夫链蒙特卡罗方法进行积分的 MCMC 估算器存在固定迭代次数后偏差的问题，并提出使用 Markov 链的耦合以及 Glynn 和 Rhee 的 telescopoc sum 算法来消除偏差，最终得到可并行计算的无偏估算器。我们探讨了该方法在流行的 MCMC 算法中使用的实际耦合，证明了所提出的估算器的理论正确性，并研究了它们相对于底层 MCMC 算法的效率。最后，我们展示了该方法在玩具示例、临界温度附近的 Ising 模型、高维变量选择问题以及由多个模块组成的贝叶斯推断中所遇到的性能和局限性。

    Aug, 2017