Mar, 2021

基于梯度的马尔可夫链蒙特卡罗用于带有不可微先验的贝叶斯推断

PDF
TL;DR本文提出了一种使用欠阻尼 langevin 动力学的 Moreau-Yosida 近似的新实现方法，以及使用分段确定马尔可夫过程（PDMP）进行准确后验推断的方法。这两种采样方法使用范围更广泛，具有更好的采样精度。
bayesian statisticsmoreau-yosida approximationlangevin dynamicspiecewise-deterministic markov processesposterior inference
发现论文，激发创造
  • 随机梯度分段确定性蒙特卡罗采样器

    通过近似模拟带有子抽样的分段确定性马尔可夫过程（PDMPs）的方法，可以从后验分布中进行可扩展的抽样。这种方法的效率类似于随机梯度 Langevin 动力学，但更为稳健。

    Jun, 2024

  • 分段确定性马尔可夫链蒙特卡罗

    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

  • 使用随机梯度哈密顿蒙特卡罗推断深高斯过程

    本研究使用随机梯度哈密尔顿蒙特卡洛方法对深层高斯过程模型的非高斯后验分布抽样，提供了一种新的推断方法，成为 Deep Gaussian Processes 领域新的最优模型。

    Jun, 2018

  • 随机微分方程的近似贝叶斯学习

    使用高斯过程作为灵活的模型并使用高斯过程回归直接从稠密数据集中计算估计，开发出一种非参数方法来估计随机微分方程组中的漂移和扩散函数，并开发了一种近似的期望最大化算法来处理稀疏观察之间的未观察到的潜在动态。

    Feb, 2017

  • 随机梯度马尔可夫链蒙特卡罗下的非凸贝叶斯学习

    本论文主要研究基于非凸贝叶斯学习问题的人工智能、深度神经网络、Langevin Monte Carlo、动态重要性抽样等方面的算法和理论，包括控制变量减少噪声能量估计器方差、基于非可逆性的群链复制交换等算法及解决梯度消失问题的动态重要性抽样等，旨在提高大数据情况下的效率与稳定性。

    May, 2023

  • Metropolis-Hastings 微分优化难以计算的密度函数

    本文提出了一种用于无偏区别 Metropolis-Hastings 采样器的方法，使得我们能够通过概率推理进行不可行目标密度的优化，该方法通过融合随机区分的最新进展和马尔可夫链耦合方案，可以使该过程无偏、低方差和自动化，然后将其应用于期望为不可行目标密度的优化中。在文中所提出的方法中，分别应用到高斯混合模型中找到不明显的观察和 Ising 模型中的特定热容的最大化。

    Jun, 2023

  • 多个后验模式的可微稳定的远程跟踪

    通过训练数据来区分地学习基于粒子的不确定性表示方法，通过深度神经网络编码器对任意观测进行条件下的连续概率混合分布表示的混合密度粒子滤波器，在连续潜在状态中提升准确性和鲁棒性。

    Apr, 2024

  • 当 Langevin 遇上 Moreau：通过近端马尔可夫链蒙特卡罗方法实现高效贝叶斯计算

    本文介绍了一种新的高效的马尔可夫链蒙特卡洛方法，以执行贝叶斯计算。该方法基于正则化的未调整 Langevin 算法，利用凸分析工具构建具有良好收敛性质的马尔可夫链，扩展了当前采用 Proximal 优化算法解决的模型，并在图像去卷积和断层重建等四个实验中进行了演示和验证。

    Dec, 2016

  • 利用粒子 MCMC 对高斯过程状态空间模型进行贝叶斯推断和学习

    通过向状态转移动力学分布中添加高斯过程先验，结合分析型建模和蒙特卡罗采样器进行直接联合平滑分布推断的方法，提出了一种非线性非参数状态空间模型的完全贝叶斯方法。

    Jun, 2013

  • 马尔可夫链蒙特卡罗用于扩散精确推断

    本文介绍精确的马尔可夫链蒙特卡洛方法，可以应用于离散采样、直接和间接观察扩散过程。其中的方法可以模拟目前最普遍的精确模拟算法，并包括改进性能的方法。通过理论和实际对比，我们发现与当前最先进的方法相比，效果更好，而且一些指标有着有趣的联系。

    Feb, 2011