本文分析了得分估计器作为最基础和多功能的变分推理算法,并利用语义学和程序分析中的工具来阐述这个算法在程序中的作用,揭示出算法所做假设的内在局限性,提出了证明这些假设的规则,并用非平凡的连续数学事实来代替假设中的积分要求,最终发展了一种运用静态程序分析来满足假设条件的方法,并应用于 Pyro 中的八个代表性模型中,表明这种方法是可行的。
Jul, 2019
我们提出了一种基于组合程序转换的方法,用于支持概率编程语言中的变分推断,该方法能够灵活地处理多个关键问题,包括自动微分、密度累积、跟踪和无偏梯度估计策略。此外,相比于现有的支持变分推断的概率编程语言,我们的设计在用户定义的目标、梯度估计策略和模型、变分族类别方面具有更高的表达能力。
Jun, 2024
文章展示了如何通过松弛均场独立近似来减少对局部最优解和超参数的敏感性,使得全局参数和局部隐藏变量之间的任意依赖关系得以被考虑,从而提高参数估计的精度。
Apr, 2014
本文综述了变分推断中的最新趋势,介绍了标准的均值场变分推断,然后回顾了最近的进展,包括可扩展的 VI,通用的 VI,准确的 VI 以及摊余的 VI,并提供有关未来研究方向的总结。
Nov, 2017
本文介绍了一种基于随机优化的替代算法,可以直接优化变分下界,通过控制变量来减少随机梯度的方差,其在非共轭模型:逻辑回归和 HDP 近似中的效果得到了证明。
Jun, 2012
本研究开发了基于随机变分推断的可伸缩算法,用于逼近后验概率分布,并且针对一类大规模的概率模型进行了技术开发;对两个概率主题模型进行了演示并应用于大量文献数据的分析,其中包括自然杂志、《纽约时报》和维基百科,结果表明随机变分推断可轻松处理大型数据集并优于传统变分推断,并且表明贝叶斯非参数主题模型优于参数主题模型;因此基于随机变分推断的算法可以将复杂的贝叶斯模型应用于大规模的数据集。
介绍和证明了一个基于粒子马尔可夫蒙特卡罗的新的推理方法。该方法适用于图灵完备的概率编程语言,支持使用复杂控制流(包括随机递归)的模型的准确推理,并包括来自贝叶斯非参数统计的基元。实验证明,该方法比之前介绍的单一站点 Metropolis-Hastings 方法更有效。
Jul, 2015
这篇论文介绍了一种新型的变分推断方法 —— 野生变分推断方法,其可以不需要可推导概率密度函数,而将随机梯度 Langevin 动力学 (SGLD) 作为推断网络,从而实现对 SGLD 步长的自动调整,并取得显著的改进效果。
Nov, 2016
本文介绍了一种基于随机变分推理 (Variational Inference) 的学习算法,可以为存在潜变量的、具有难以处理的后验分布的连续概率模型提供有效的推理和学习方法,特别是在大型数据集下具有较好的表现,且已经在实验上得到了验证。
Dec, 2013
使用自动微分变分推理自动推导出高效的变分推理算法,使科学家可以更高效地循环实现多个概率模型,并应用于不同的数据集。
Mar, 2016