Apr, 2022

贝叶斯系统发育推断的变分方法

PDF
TL;DR本文提出了一种基于变分推理的贝叶斯系统发育分析方法，应用分支分离贝叶斯网络与合适的变分分布通过随机梯度上升来训练，实践表明该方法既能获得高效率的探索机制，也可以提供与 MCMC 相当的性能。
bayesian phylogenetic inferencemarkov chain monte carlovariational frameworksubsplit bayesian networkstochastic gradient ascent
发现论文，激发创造
  • 马尔可夫链蒙特卡罗和变分推断：架起鸿沟

    提出了一种结合了变分推断和蒙特卡罗方法的新型推断算法，它通过在变分近似中引入一步或多步 MCMC 来生成具有随机辅助变量的后验分布近似，并通过在快速后验分布逼近和精度之间进行权衡提供了更好的灵活性和准确性。

    Oct, 2014

  • 变分贝叶斯蒙特卡罗

    本文介绍了一种新型的高效样本推断框架，变分贝叶斯蒙特卡罗（VBMC），可用于难以处理的黑盒似然的后验分布和模型评估。该方法结合了变分推断和基于高斯过程的主动采样贝叶斯积分，并在合成和实际数据的测试中表现出很好的性能。

    Oct, 2018

  • MCMC 和变分推断混合模型的分歧边界及其在朗之万动力学和 SGVI 中的应用

    本文探讨不同近似推断方法（Markov chain Monte Carlo 和变分推断）的优缺点，并提出一种分布来衡量它们之间的差距，其示例介绍了如何从这个分布中采样，以便在现有方法（基于 Langevin 动力学和随机梯度变分推断）之间进行加权插值。

    Jun, 2017

  • 主题模型中的混合变分 / 吉布斯坍缩推理

    我们提出了一种混合算法，将 collapsed Gibbs 采样和 variational Bayesian 推断相结合，取得了显著的测试集困惑度改善，同时不增加计算成本。

    Jun, 2012

  • 改进的变分贝叶斯系统发育推断使用混合模型

    VBPI-Mixtures 算法通过在 BBVI 领域利用混合学习的最新突破，弥合了 VBPI 无法建模的树拓扑分布的鸿沟，并在多个真实系统发育数据集上交付了最先进的难度估计任务的性能。

    Oct, 2023

  • 变分 MCMC

    介绍一种新型学习算法，该算法结合了变分逼近和马尔可夫链蒙特卡罗（MCMC）模拟，它的目的是更好地估计高阶时刻，如协方差，并用于逻辑信念网络的贝叶斯参数估计问题。

    Jan, 2013

  • 变分推断的进展

    本文综述了变分推断中的最新趋势，介绍了标准的均值场变分推断，然后回顾了最近的进展，包括可扩展的 VI，通用的 VI，准确的 VI 以及摊余的 VI，并提供有关未来研究方向的总结。

    Nov, 2017

  • 学习如何解决贝叶斯反问题：一种分摊变分推断方法

    本文提出了一种基于深度神经网络参数化的先验分布方法，通过学习贝叶斯逆映射实现了实时推理。经过基准问题的验证，该方法的后验估计与马尔可夫链蒙特卡罗方法的对应结果一致，并在前向传递神经网络的代价下提供了观测的后验参数。

    May, 2023

  • 使用本地增强边界进行层次模型的变分推断

    本文提出了一种基于收紧方法的层次模型变分下界的变分方法，该方法可以自然地使用子采样以获得无偏梯度，并在较低维度空间中独立地应用紧缩较低下界的方法，以获得比相关基线更好的结果和更准确的后验近似。

    Mar, 2022

  • 变分贝叶斯推断潜变量模型的参数和结构

    本文提出了变分贝叶斯 (Variational Bayes) 框架，通过解决概率图模型中潜在变量及其结构计算的问题，避免了因参数而导致过拟合和子最优泛化表现的通常方法，同时证明了该算法能成功应用于无监督聚类、盲源分离等模型。

    Jan, 2013