本文提出两种应用并行处理的方法以替代传统的 Markov Chain Monte Carlo (MCMC),即采用 Sequential Monte Carlo (SMC) 取样器或数据分区,并通过实验测试发现在多核处理器中使用 SMC 比传统串行实现的 MCMC 运行时间快至少 343 倍。
Jan, 2023
该研究使用贝叶斯推断方法来量化决策树预测的不确定性。通过 DCC-Tree 方法,与其他贝叶斯树方法相比,在一致性和降低每个建议的复杂性的同时,表现相媲美其他基于 HMC 的方法。
Mar, 2024
使用贝叶斯方法从数据中学习决策树是一项具有挑战性的任务,本文研究了使用 Hamiltonian Monte Carlo 方法来更高效地探索贝叶斯决策树的后验概率,并通过与标准数据集的比较展示了其在预测测试准确率、接受率和树复杂度方面的优势。
Dec, 2023
该论文介绍了一种基于顺序蒙特卡罗算法来近似贝叶斯决策树的后验分布的方法,与现有的基于局部 MCMC 的方法相比,该算法具有更好的计算效率和精度。
Mar, 2013
本文提出了一种使用序列蒙特卡洛和进化算法采样的贝叶斯决策树数值方法,比传统的马尔可夫链蒙特卡洛方法有更快的迭代速度,并且能够更准确地对复杂和不确定的数据进行建模。
May, 2023
本文介绍了一种新的 EP-MCMC 算法 ——PART, 采用随机划分树来合并子集后验抽取样本,该算法具有分布自由性,易于再抽样和适用于多个比例的优点。理论和实验表明,该算法在大数据集上表现良好。
Jun, 2015
本文提出了利用一种新标准进行训练贝叶斯决策树的方法,得到的树的分类准确度可与贪婪构造的决策树相媲美或更好,同时树的大小显著减小,并可以在数据集大小的多项式时间内进行后验学习和采样。
Feb, 2023
该论文提出了一种并行的马尔可夫链蒙特卡罗算法,能够降低学习过程中的同步需求所带来的通信成本,并成功地实现了在多台机器上独立处理多个数据子集,从而生成大数据集的后验分布样本。
Nov, 2013
描述了一种新颖的平行交互式马尔科夫链蒙特卡罗采样算法,被称为正交 MCMC,它能够在全局勘探和局部逼近之间高效地组合。通过数值实验显示出该方案在估计效率和独立性方面的优势。
Jul, 2015
在贝叶斯推断的一般框架中,目标分布只能以比例常数进行评估。我们发展了一种完全并行的顺序蒙特卡洛 (pSMC) 方法,可以证明其具有并行的强缩放性,即如果允许异步进程数量增长,则时间复杂度(和每个节点内存)保持有界。对于一些贝叶斯推断问题,我们将 pSMC 方法与 MCMC 方法进行了比较。
Feb, 2024