Jun, 2015

Frank-Wolfe 贝叶斯积分：具有理论保证的概率积分

PDF
TL;DR本文介绍了第一个能够满足严格收敛保证的概率积分器 ——Frank-Wolfe Bayesian Quadrature（FWBQ），证明了在 FWBQ 下，到达积分的真实值是指数级的，后验收缩速率被证明为超指数级。在仿真中，FWBQ 竞争性地与最先进的现有方法相比，并优于基于 Frank-Wolfe 优化的替代方法。本文的方法成功地应用于量化细胞生物学中一个具有挑战性的模型选择问题中的数值误差。
发现论文，激发创造
  • Q-FW: 一种用于二次二元优化的混合经典量子 Frank-Wolfe 算法

    提出基于 Frank-Wolfe 算法和量子模拟器建立的混合经典量子框架 Q-FW，用于解决量子模拟器上的二次型线性约束二元优化问题，并使用 D-Wave Advantage QA 在计算机视觉问题上进行实验验证。

    Mar, 2022

  • 使用快速贝叶斯积分对概率模型进行推断取样

    该研究提出了一种用于概率模型推断的新型采样框架：一种主动学习方法，可比马尔可夫链蒙特卡罗（MCMC）基准更快地收敛（墙钟时间）。我们提出了一种基于模型的解决方案，通过熟知非负的概率集成（似然）来实现，以实现优化样本位置的廉价主动学习方案。实验结果表明，与简单的蒙特卡洛和退火重要性采样相比，我们的算法在合成和真实世界的示例中提供了更快的收敛速度（以秒为单位）。

    Nov, 2014

  • 条件贝叶斯求积

    我们提出了一种新的方法，用于估计昂贵的样本或积分估计的条件或参数期望。通过概率数值方法的框架（如贝叶斯求和），我们的新方法允许结合关于积分和条件期望的先验平滑性知识从而提供一种量化不确定性的方式，并在贝叶斯敏感性分析、计算金融和不确定性决策等具有挑战性的任务中在理论上和实证上得到了快速收敛率的确认。

    Jun, 2024

  • 神经网络贝叶斯数值积分

    本文介绍了一种基于 Stein 运算符的神经网络架构和 Laplace 近似的贝叶斯斯坦网络方法，以实现数值积分中的贝叶斯概率数值方法，相较于高成本的高斯过程模型，该方法在流体力学中的应用中表现了数倍的性能提高。

    May, 2023

  • 序列核选样：Frank-Wolfe 优化用于粒子滤波

    本文探讨了将 Frank-Wolfe 优化算法用于代替基于随机采样的粒子滤波的采样步骤，从而实现更好的精度计算，并在标准的综合类应用及机器人定位任务中获得了精度提升。

    Jan, 2015

  • 改进受限积分的求积

    本研究提出了改进的贝叶斯框架，用于估计受限函数的仿射变换并实现四重积分，重点关注非负函数约束和以非负数与有限数为范围的函数约束，最终提出了一种在原始空间下进行超参数优化的新方法，实验结果表明我们的框架比现有的贝叶斯四重积分程序效果更好并且更快。

    Feb, 2018

  • 概率积分：在统计计算中的作用？

    本文探讨了概率数字方法在常规统计计算方面的应用，主要技术贡献是建立了这些方法的后验收敛率，表明概率积分器可以结合蒙特卡罗方法的采样效率，提供一个原理路线来评估数值误差对科学结论的影响。

    Dec, 2015

  • 带有最佳效率和实用特性的约束优化方法

    本文介绍了两种新的 Frank-Wolfe 算法变体，用于随机有限和最小化。这些方法在凸和非凸目标函数方面，都具有最佳的收敛保证。同时，本文提出的两种方法都不需要永久收集大批量数据和完整确定性梯度，可用于优化机器学习等领域中的结构约束问题。

    Apr, 2023

  • 分布稳健的贝叶斯积分优化

    本研究针对具有分布不确定性的贝叶斯积分优化问题使用分布鲁棒优化视角，提出了一种基于后验抽样的算法（DRBQO），旨在最大化最对抗分布下的预期目标，并通过贝叶斯遗憾度量其理论收敛性。我们在合成和真实世界问题中展示了我们提出的框架的实证有效性。

    Jan, 2020

  • 边缘推断的障碍型 Frank-Wolfe

    本文介绍了一种基于条件梯度法和最大后验概率调用的全局收敛算法，用于优化边际多面体上的树重新加权 (TRW) 变分目标，此算法模块化结构使我们能够利用黑盒 MAP 求解器 (精确和近似) 进行变分推理，并获得比优化本地一致性放宽的 tree 重新加权算法更准确的结果，从理论上解释了该算法的次优性，并在合成和实际应用实例中展示了收缩边际多面体和生成树多面体可以提高结果质量。

    Nov, 2015