Jan, 2014

关于 M/G/1 排队的贝叶斯推理及高效 MCMC 抽样方法

PDF
TL;DR本文介绍了一种高效的 MCMC 采样算法来进行贝叶斯推理，以只给出出发时间的观测数据为条件，在 M/G/1 排队模型中进行。我们的 MCMC 方案结合了 Gibbs 采样和简单的 Metropolis 更新，并使用了三种新的 “shift” 和 “scale” 更新。我们表明，我们的新更新显着提高了采样速度，在各种模拟数据集上的因子为大约 60 到大约 180。
bayesian inferencemcmc samplinggibbs samplingmetropolis updatesqueueing model
发现论文，激发创造
  • 马尔科夫跳跃过程和连续时间贝叶斯网络的快速 MCMC 采样

    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

  • MCMC 领域的紧缩：削减 Metropolis-Hastings 预算

    本研究旨在提高在处理大数据集时的贝叶斯后验 MCMC 采样的效率，通过引入基于连续假设检验的近似 MH 规则，根据部分数据即可高置信度地接受或拒绝样本，从而减少计算代价，同时控制引入的渐近偏差使方差下降得以更快。

    Apr, 2013

  • 连续时间切换动态系统的马尔可夫链蒙特卡罗方法

    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

  • 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

  • 随机梯度马尔可夫链蒙特卡洛

    本文介绍了一种名为随机梯度马尔可夫链蒙特卡罗（SGMCMC）的可扩展蒙特卡罗算法，其利用数据子抽样技术降低了 MCMC 的迭代成本，并比较了其效率与 MCMC 在基准示例上的异同。

    Jul, 2019

  • 因式化连续时间马尔可夫过程中的吉布斯采样

    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

  • 高斯过程的伪边缘贝叶斯推断

    本文提出了一种基于伪边缘法的马尔可夫链蒙特卡罗通用策略，有效地解决了使用高斯过程先验的精确贝叶斯推理和模型参数不确定性导致的数据预测问题。此外，Monte Carlo 积分可用于预测中的所有模型参数，这在高斯过程的层次统计模型中具有重要意义，并与最先进的概率分类器进行了广泛的比较。

    Oct, 2013

  • 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

  • 基于混合成员随机块模型的可扩展 MCMC 算法

    本文提出了一种基于随机梯度马尔科夫链蒙特卡罗算法的用于混合成员随机块模型中可扩展推理的方法。该算法利用了随机梯度黎曼 Langevin 采样器，每次迭代都能实现更快的速度和更高的精度，比基于随机变分推理的当前最先进算法更优，同时我们还开发了一种适用于处理大量社区的近似方法。实验结果表明，SG-MCMC 在所有情况下均优于竞争算法。

    Oct, 2015

  • 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