本文提出了基于 Gibbs 采样的快速辅助变量算法,利用 uniformization 方法和隐式马尔可夫模型来推断这些模型中的未观测路径,并通过在一系列连续时间贝叶斯网络上展示了比最先进的 Gibbs 采样算法更显著的计算优势。
Feb, 2012
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
本文提出了一种基于神经常微分方程的变分推断算法,在 Markov 跳跃过程中通过学习神经连续时间表示来近似后验分布,相比于 Monte Carlo 和期望最大化方法具有更高效的性能。
May, 2023
使用零样本推理的神经网络模型,能够从嘈杂且稀疏的观察中,推断出具有不同维度的马尔可夫跳跃过程,并且达到与针对目标数据集微调的最先进模型相媲美的性能。
Jun, 2024
本文介绍了基于连续时间 Markov 过程的 Monte Carlo 方法的新发展,包括通过连续时间的 MCMC 和 SMC 算法,实现大数据后验分布采样的方法,以及如何使用子采样和解决效率问题。
Nov, 2016
本文提出了基于矩的变分推断作为一种灵活的框架,用于近似光滑的潜在马尔可夫跳跃过程,并将满足一定条件的所有过渡划分为几个类别,该方法在参数推断中具有应用前景。
May, 2019
该研究论文介绍了连续时间贝叶斯网络的一种新的采样方法 ——Gibbs 采样,以解决对多组件过程进行精确推理的困难。该方法可以适应进程的自然时间尺度,减少计算成本,并提供渐近无偏的近似。
Jun, 2012
本文介绍了一种新的基于非可逆马尔可夫链蒙特卡洛算法的类别,利用连续时间分段确定性马尔可夫过程。这些算法基于确定性动力学演化标记过程的状态,同时利用马尔可夫转移核来改变其状态。通过使用这些算法,只有子集状态被更新,导致其他组件的状态隐含不显,另外,利用无偏估计对数目标时,这些算法保持目标不变。本文提出新的 MCMC 方法来解决这些限制,并在多种应用中展示了这些方案的性能。
Jul, 2017
本文介绍了利用连续时间马尔可夫过程探索目标分布的一种替代方法,该方法可以提供无拒绝的 MCMC 抽样方案,并且在采样混合离散 - 连续分布和被限制在平滑连通域上的分布时很有效。
Oct, 2015
本研究提出了一种基于粒子的蒙特卡罗方法,其中持续时间通过解析方法边际化,最终在具有组合状态空间的连续时间马尔可夫链上实现更准确的参数后验近似。
Sep, 2013