连续时间切换动态系统的马尔可夫链蒙特卡罗方法
本文介绍了一种利用 Gibbs sampler 并基于均一化思想从马尔可夫跳过程的后验分布模拟路径的方法,并表明该方法在 MJP 模型上表现良好。
Aug, 2012
本文提出了基于 Gibbs 采样的快速辅助变量算法,利用 uniformization 方法和隐式马尔可夫模型来推断这些模型中的未观测路径,并通过在一系列连续时间贝叶斯网络上展示了比最先进的 Gibbs 采样算法更显著的计算优势。
Feb, 2012
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
使用贝叶斯非参数方法,将层次狄利克雷过程先验应用于两种切换动态模型,学习未知的持续光滑动态模式,同时推断动态依赖性的稀疏集,以学习具有变化状态维数的切换线性动态系统或具有变化自回归顺序的切换 VAR 过程,最终通过舞蹈蜜蜂序列、IBOVESPA 股票指数和机动目标跟踪应用程序展示模型的效用和灵活性
Mar, 2010
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
本文提供了一种基于连续马尔可夫过程的通用配方,用于构建包括随机梯度版本的 MCMC 采样器,并提出了一种新的状态自适应采样器:随机梯度 Riemann Hamiltonian Monte Carlo (SGRHMC)。通过实验证明,该算法继承了 Riemann HMC 的优点,并具有可扩展性。
Jun, 2015
该研究提出了第一个完整的离散数据扩散模型去噪声的连续时间框架,使用连续时间马尔可夫链模型可以有效地训练模型,利用高维 CTMC 模拟技术和连续时间框架可导出高性能抽样器,超越了离散时间方法。此外,还得到了关于生成样本分布与真实数据分布之间误差的新理论结果。
May, 2022
该研究论文介绍了连续时间贝叶斯网络的一种新的采样方法 ——Gibbs 采样,以解决对多组件过程进行精确推理的困难。该方法可以适应进程的自然时间尺度,减少计算成本,并提供渐近无偏的近似。
Jun, 2012