NIPSJun, 2015

优化蒙特卡洛方法：高效且极易并行的基于似然无关推断

PDF
TL;DR本文提出了一种任意时间的臭名昭著的并行蒙特卡洛方法，适用于无法计算似然函数的模型。该算法采用优化程序，以最小化模拟器总结统计和数据的距离。通过采用先验和雅各比重估这些样本的权重，以蒙特卡洛估计的方式来表示后验分布。
monte carlo methodlikelihood-free modelsoptimization procedureposterior distributionparallel computation
发现论文，激发创造
  • 渐近精确，尴尬地并行的 MCMC

    该论文提出了一种并行的马尔可夫链蒙特卡罗算法，能够降低学习过程中的同步需求所带来的通信成本，并成功地实现了在多台机器上独立处理多个数据子集，从而生成大数据集的后验分布样本。

    Nov, 2013

  • 高效蒙特卡洛计算的伪边际方法

    该研究介绍了一种强大、灵活的 MCMC 算法，基于最初在遗传学期刊中引入的伪边际方法。该方法描述了该算法近似理想边际算法的过程，具有相同的稳态分布。此外，该方法的收敛特性得到了理论证明，并给出了简单的数值实例以说明技术的实用性。

    Mar, 2009

  • 高斯过程的尴尬并行推断

    该研究使用混合专家模型代替传统高斯模型，在降低计算成本的同时，提高了模型的弹性和可伸缩性。

    Feb, 2017

  • 顺序蒙特卡罗采样器

    本文介绍了如何使用顺序蒙特卡罗方法来执行通常使用马尔可夫链蒙特卡罗方法完成的任务，从而导致一般类别的基于交互粒子系统的合理集成和遗传类型优化方法。

    Dec, 2002

  • 极大似然充实采样算法

    该研究论文介绍了一种新的意向充气抽样算法 (LISA)，其使用并行计算来显著降低随机分割数据集的计算成本，并结合了抽样过的数据来研究贝叶斯加性回归树模型的全后验概率。

    May, 2016

  • 基于贝叶斯优化的基于模拟器的统计模型无似然推断

    研究推断基于模拟器的统计模型，提出了结合概率建模和优化的策略来加速无似然推断方法，实现了对几个数量级所需模拟次数的削减。

    Jan, 2015

  • 加权样本的极限定理及其在顺序蒙特卡罗方法中的应用

    本文针对顺序蒙特卡罗方法进行了渐近分析，建立了大数定理和不变原理。作者引入 “加权样本” 一致性和渐近正态性的概念，并导出了构建顺序蒙特卡罗方法中用到的突变和选择过程保留这些属性的条件。作者分析了应用于状态空间模型中的 SMC 算法，展示了如何使用所提出的技术来放松之前报告的工作中使用的技术条件，并提供分析更复杂的序列抽样策略的基础。

    Jul, 2005

  • 使用蒙特卡罗采样的主动学习并行采集

    本文提出了一种称为 NORA 的新方法，该方法利用高斯过程回归的嵌套采样并行生成近似排序的 Monte Carlo 样本，以有效生成排序一致的候选者批次，以及推断边际量。

    May, 2023

  • 启用图形重新参数化，在贝叶斯深度神经网络中实现 1000 + 次蒙特卡罗迭代

    深度学习模型不确定性估计中，传统的高斯分布不一定适用。本研究提出了一种构建计算图框架的方法，通过识别概率分布族，实现计算图的纬度独立或者仅仅弱相关，并进行蒙特卡罗采样来估计 KL 散度等指标，从而提高图像识别的准确性、稳定性以及训练过程中的内存和时间效率。

    Feb, 2022

  • 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