Oct, 2013

标准随机测度混合模型的 MCMC 方法

PDF
TL;DR本文提出了一种基于 Markov chain Monte Carlo 方法的贝叶斯非参数混合模型的后验抽样方法，该方法采用归一化随机测度先验，并利用一些最近的后验特征进行修改，提高了 Neal 的 Dirichlet 过程混合模型 8 号算法的效率，并为其构建了一种相关算法。在应用实例方面，我们考虑了具有潜在归一化广义 Gamma 过程先验的混合模型，并描述了比较性的模拟结果证明了所提方法的有效性。
markov chain monte carlobayesian nonparametric mixture modelsnormalized random measure priorsdirichlet process mixture modelsnormalized generalized gamma process prior
发现论文，激发创造
  • 基于树形导引的标准化随机度量混合模型 MCMC 推断

    本文提出了一种混合推理算法，结合了 MCMC 和基于树的推理方法（IBHC）的优点，用于归一化随机测量（NRM）混合模型，该算法通过树引导 MCMC 进行有效提议，从而保证了收敛性和快速收敛。

    Nov, 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

  • 一种 $σ$ 稳定的 Poisson-Kingman 混合模型的边缘采样器

    本文主要研究在贝叶斯非参数混合建模中，采用一类具有稳定性的斯克林泊松 - 金曼随机概率测度。通过利用这类测度的采样特性和边缘特征，设计了一种高效的马尔科夫链蒙特卡罗采样算法，并在一维和多维数据集上应用于密度估计和聚类任务中，与其他的采样方法进行了对比分析。

    Jul, 2014

  • 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

  • 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

  • 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

  • 用于贝叶斯推断的最优逼近马尔科夫链

    本文介绍了在贝叶斯分析中后验计算的主要范例：马尔可夫蒙特卡罗方法。我们提出了一种最优化方法，将计算时间和近似误差结合起来，并在均匀混合马尔可夫链的设置中进行了广泛的推广，表明了好的近似在实际应用中的重要性，如 $n$ 个逻辑回归和高斯处理的低秩逼近。

    Aug, 2015

  • 自适应和交互式马尔可夫链蒙特卡罗算法的收敛

    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。

    Mar, 2012

  • MCMC 驱动学习

    该论文旨在统一马尔科夫链蒙特卡洛（MCMC）与机器学习的各种问题，包括黑箱变分推断、自适应 MCMC、理论流构建和辅助传输 MCMC、代理似然 MCMC，并通过一个共同的框架进行泛化与翻译。

    Feb, 2024

  • 图形模型的顺序蒙特卡罗方法

    通过提出一种新的框架，使用顺序蒙特卡罗方法对概率图模型进行推断，其目的是通过针对辅助分布来逼近概率图模型定义的全联合分布，并用于构建一般 PGM 的高维块采样算法。

    Feb, 2014