成对选择马尔可夫链
本文提出了一种基于神经网络的、用于推断 Pairwise Choice Markov Chains 的推理方法,以解决传统公理无法解释的选择模型在现代行为经济学中出现的环境影响问题,并将该构造应用到机票预订中。实验表明,该网络在预测精度和对数损失方面明显优于特征工程标准和潜在类别多项式逻辑回归模型以及最近的机器学习方法。
Sep, 2019
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
我们提出了非参数的纠缠马尔科夫链蒙特卡罗(NP-iMCMC)算法,作为一种构建用于普通概率编程语言(PPL)可表示的非参数模型的 MCMC 推理算法的方法。该方法建立在统一的纠缠 MCMC 框架之上,并通过提供一个在维度之间驱动状态移动的一般性过程,表明了 NP-iMCMC 可以推广许多现有的 MCMC 算法以用于非参数模型。
Nov, 2022
本文提出了一种新颖的高阶马尔可夫链表示,即 Max Markov Chain,此表示具有稀疏相关性,参数优化具有解析解和较高的样本效率,可以作为随机过程建模的有价值的替代方法。
Nov, 2022
本文介绍了基于连续时间 Markov 过程的 Monte Carlo 方法的新发展,包括通过连续时间的 MCMC 和 SMC 算法,实现大数据后验分布采样的方法,以及如何使用子采样和解决效率问题。
Nov, 2016
本文介绍了一种新的基于非可逆马尔可夫链蒙特卡洛算法的类别,利用连续时间分段确定性马尔可夫过程。这些算法基于确定性动力学演化标记过程的状态,同时利用马尔可夫转移核来改变其状态。通过使用这些算法,只有子集状态被更新,导致其他组件的状态隐含不显,另外,利用无偏估计对数目标时,这些算法保持目标不变。本文提出新的 MCMC 方法来解决这些限制,并在多种应用中展示了这些方案的性能。
Jul, 2017
该论文研究了基于三种不同的马尔科夫属性的离散模型的结构特性,其中一等级类别的 LWF 模型可以产生平滑的分类数据的离散模型,并且还证明了这种模型的似然函数在图中的链组成是完全的情况下是单峰的。
Sep, 2009
Markov 链蒙特卡洛 (MCMC) 是推断隐藏马尔可夫模型的可行方法,但由于参数空间中蒙特卡洛采样器在不确定区域内随机采取小步骤,受维度诅咒的约束往往导致计算上的限制。我们首次将目标的后验分布视为样本在无限维欧几里得空间中的映射,其中嵌入了确定性子流形,并提出了一种通过最大化加权里捷极化量来离散化可矩阵流形的新准则。我们研究了 Chebyshev 粒子的特性,并将它们嵌入到连续的 MCMC 中,这是一种高接受率的新型采样器,只提出了少量评估。我们在合成数据的线性高斯状态空间模型和真实数据的非线性随机波动率模型的参数推断实验中取得了高性能。
Sep, 2023
本研究探究了使用变量阶马尔可夫模型进行离散序列预测的算法,并比较了六种著名的预测算法和它们在三个不同领域的表现情况。研究结果表明,在序列预测任务中,一种名为 “decomposed” CTW 的变种和 PPM 算法表现最佳,而在蛋白质分类问题中一种名为 Lempel-Ziv 压缩算法的修改版显著胜出。
Jun, 2011