针对马尔可夫链和过程蒙特卡罗的 Peskun-Tierney 排序:超越可逆情况
探讨采用不可逆马尔可夫链构建的 Monte Carlo 采样方法,相对于可逆马尔可夫链能提高方程终态速度,同时仍能够保证采样到达目标状态分布。
Dec, 2014
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
本文提出一种利用不可逆马尔可夫链而非可逆马尔可夫链估计不变分布期望的方法,并证明这种方法可以降低渐进方差。该方法通过避免回溯状态实现改进,并提供了比可逆链更好的 MCMC 估计方法。
Jul, 2004
本文介绍了利用连续时间马尔可夫过程探索目标分布的一种替代方法,该方法可以提供无拒绝的 MCMC 抽样方案,并且在采样混合离散 - 连续分布和被限制在平滑连通域上的分布时很有效。
Oct, 2015
研究了在离散空间中定义的分布的 MCMC 抽样,提出了一类高效的连续时间、非可逆算法,着重于利用底层空间的结构并探讨了对称性和群论概念如何优化空间探索,实验数据表明该算法在统计学、计算物理学、机器学习和密码学等领域的效果明显优于替代算法。
Dec, 2019
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
本文提出了利用 Markov Chain Monte Carlo (MCMC) 方法解决参数控制问题的技术,并进行了多项改进,以在高维空间下更加实用。我们首先介绍了一种新的目标分布,能够从采样轨迹中合并更多的回报信息。我们还展示了如何有效地破解政策参数与采样轨迹之间较强的相关性,以便更自由地采样。最后,我们展示了如何以原则性方式将这些技术结合起来,从而获得最优策略的估计结果。
May, 2012
该文提出了一种基于马尔科夫链蒙特卡罗方法的新型推断算法,用于在连续时间模型中获得精确的后验过程的样本,实现了贝叶斯参数估计,并估计了扩散协方差。
May, 2022
本文介绍了关于马尔可夫链的多种结果,包括马尔可夫链的蒙特卡罗算法,几何和均匀遍历性的充分条件,收敛到稳态的速率的量化界限,以及 Metropolis-Hastings 算法的最优缩放和弱收敛结果。
Apr, 2004