马尔可夫链神经网络
使用一种新的神经网络架构代替马尔科夫链蒙特卡洛(MCMC)采样方法来支持高效和精确的量子状态预测,这种方法在二维相互作用自旋模型中验证了其精确性和可扩展性。
Feb, 2019
该研究提出了一种新的图神经网络模型 MarkovGNN,该模型利用马尔可夫过程捕捉社区结构,并生成不同的随机矩阵用于不同的卷积层,实验结果表明,MarkovGNN 在聚类、节点分类和可视化任务方面优于其他 GNNs。
Feb, 2022
本文提出了一种基于神经常微分方程的变分推断算法,在 Markov 跳跃过程中通过学习神经连续时间表示来近似后验分布,相比于 Monte Carlo 和期望最大化方法具有更高效的性能。
May, 2023
本文介绍了一种使用深度神经网络参数化的通用方法来训练 Markov 链蒙特卡洛核,该方法收敛快、混合快,并且我们在一系列简单但具有挑战性的分布中展示了大量的实证收益,并在一个真实的任务中展示了定量和定性的增益:潜变量生成建模。同时,我们还发布了算法的开源 TensorFlow 实现。
Nov, 2017
本文提出了一些标准网络模型的概括,包括随机网络、配置模型和随机块模型,将它们推广到时变网络的情况。我们假设边缘的存在和缺失受节点属性的连续时间马尔可夫过程的速率参数控制,并演示了这些模型在数据分析和统计推断中的应用。我们的方法可以通过观察边缘出现和消失的特征动态,以及节点对边缘连接的时间上的概率来估计网络演化的时间常量或推断出社区结构,我们演示了这些方法在计算机生成的测试网络和实际数据中的应用。
Jul, 2016
为初学者提供了关于 Markov Chain Monte Carlo (MCMC) 模拟的介绍,并提供了实际的模拟代码和大部分教材中被跳过的必要细节。此外,还针对 dynamical fermions 进行了专门介绍,并解释了用于模拟的特定方法,特别是 supersymmetric Yang-Mills,在 QCD 和矩阵积分中有实例应用。
Aug, 2018
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
通过使用变分 Monte Carlo 方法和神经网络密度矩阵表示,我们开发了一种有效模拟开放量子系统非平衡稳定态的方法,并通过建模二维耗散性 XYZ 自旋模型进行测试。
Feb, 2019