局部可取样的内容是什么?
利用鲁棒的学习算法,我们研究了如何适应任意目标函数的采样分布以寻找良好的局部最优解。我们的研究结果表明,我们的自适应采样器可以为实践中出现的组合优化问题提供有效的解决方案。
Feb, 2018
介绍了一种新的基于熵的 Monte Carlo 方法来高效地采样随机约束满足问题的解决方案。通过优化本地熵度量,该方法构建了快速求解器,并展示了其在不同结构的典型约束满足问题上的性能表现。
Nov, 2015
本文研究了一种分布式随机逼近算法,可应用于去中心化的估算、优化、控制或计算。该算法包含本地步骤和交换步骤,通过微小的步长逼近算法和局部加权平均计算。通过研究约束子空间内平均场的 Lyapunov 函数和随机权重矩阵的收缩性质,建立估计向共识收敛的证明,并进行了二阶分析和多项式平均版本的研究。
Mar, 2012
本文通过分析顺序版本算法的运行时行为,提出了一种评估给定算法并行性能的框架,并将此方法应用于研究两种 SAT 局部搜索求解器的并行性能,结果表明模型能够准确预测性能并展示了不同情况下局部搜索求解器的运行时分布。
Jan, 2024
提出了一种基于局部信息的 MCMC 算法设计关键框架,可以在离散和连续的参数空间下应用,得到了最优提案分布类 - 局部平衡提案的显式表达式,并证明了其在高维情况下的 Peskin 最优性。在贝叶斯记录链接等数据集上的结果表明,与其他 MCMC 技术相比,该算法在离散空间中能提供数量级上的效率改进,并与基于梯度的 MCMC 技术有直接的联系。
Nov, 2017
我们提出了一个用于代数统计和离散优化方面复杂问题的演员 - 评论算法,在高维多面体定义的有限非负整数点格子的一个子集中生成样本。我们将问题转化为马尔可夫决策过程,并设计了一种演员 - 评论增强学习算法,以学习一组可以用于采样的良好移动。我们证明了演员 - 评论算法收敛到一个近似最佳的采样策略。为了解决这些采样问题中通常出现的复杂性问题,并允许增强学习在大规模情况下发挥作用,我们的解决策略包括三个步骤:分解样本的起始点,在每个诱导的子问题上使用增强学习,并进行重构以获得原始多面体中的样本。在这个设置中,收敛性证明适用于分解中的每个子问题。我们在两个不同的情况下测试了这种方法。在统计应用中,高维多面体作为参考分布的支持集出现在广泛的分类数据统计模型的模型 / 数据拟合测试中。我们演示了如何使用增强学习解决模型拟合测试问题,对于问题规模和稀疏结构导致传统的 MCMC 采样器收敛太慢的数据集。为了测试算法的鲁棒性并探索其概括能力,我们将其应用于不同大小和稀疏水平的合成数据。
May, 2024
研究了随机约束满足性问题的两个典型集合,并主要考虑其相空间的纯态、相变等问题,阐述了相变精确位置和多种算法在不同相的表现,包括局部蒙特卡罗马尔科夫链、置信传播和调查传播技术。
Dec, 2006
通过扩展随机本地化过程并澄清扩散过程与随机本地化之间的联系,本文提出实现从高维分布中采样的有效技术,其中扩散过程的漂移通常表示为神经网络,并使用相应的算法从某些统计力学模型中采样。
May, 2023