本文介绍了使用分数比建模得到优化的扩展目标分布加上 Langevin 和 Hamiltonian 动力学离散化的 AIS 建议来估计边缘似然值的方法。
Aug, 2022
本文介绍了 Monte Carlo 技术中的 Importance Sampling 算法及其应用,重点探讨了多重 IS 和自适应 IS 这两种先进的 IS 变体。
Feb, 2021
通过结合种群基 Monte Carlo 方法来提高时间片 C 与均值场极限下的整体演变效率,我们提出了一个基于模型的 Annealed Importance Sampling (AIS) 的集成版本。
Jan, 2024
本文介绍了通过 Annealed Importance Sampling 方法和常数级联算法对难以估计的分布进行抽样,并利用几何退火方法找到 KL 散度的最小值,进而发展出适用于 alpha 散度的算法。
Jun, 2023
该论文提出了一种自适应重要性抽样算法 (AIS-BN),其在极端条件下表现出有前途的收敛率且一致优于现有采样算法,在多个测试案例中达到了数量级的精度和速度改进。
Jun, 2011
该研究提出了采用 Adaptive Multiple Importance Sampling (AMIS) 算法来优化迭代重要性采样过程中过去模拟结果的循环利用,通过一个香蕉形状目标分布和一个人口遗传学实例的实验,证明了该算法的实效性。
Jul, 2009
本文提出了一种名为 PMCnet 的新算法,该算法采用自适应重要性采样技术,利用复杂的(通常是多峰的)后验概率分布的几何信息,为设计贝叶斯神经网络提供了成功的方法,以实现在医疗保健或自动驾驶等决策重要性较大的领域中的机器学习应用,并同时降低了计算成本。
Oct, 2022
提出了 Differentiable AIS(DAIS)算法,是 AIS 算法的一种变种,具备可导性,并能够进行小批量梯度。DAIS 在贝叶斯线性回归问题中是一致的,并提供亚线性收敛率。然而,针对大规模数据集的随机 DAIS 可能无法达到后验的迭代收敛性,需要进行新的研究思路。
Jul, 2021
本文提出一种新的,无模型的策略搜索算法,POIS,它适用于基于动作和基于参数的设置,可在连续控制任务中有效地解决强化学习问题,通过离线优化新的轨迹批次来定义一个替代目标函数,并使用高置信度界限来解决估计的目标函数方差问题。
Sep, 2018
DAIS 是一种可微分的持续退火重要性采样方法,它通过最小化初始和目标分布之间的对称 KL 散度来进行变分推断。通过实证评估其在合成和真实数据上作为变分分布的有用性,发现与标准 VI、重要性加权 VI 和马尔科夫分数爬升相比,它常常能提供更准确的不确定性估计。
May, 2024