最大马尔科夫链
开发基于随机梯度 MCMC 算法的隐马尔可夫模型参数学习方法,通过利用内在的记忆衰减特性以应对离散状态与小批量数据带来的挑战,进而在合成实验和电离子通道记录数据上展示该算法的有效性和性能优势。
Jun, 2017
本文介绍了在贝叶斯分析中后验计算的主要范例:马尔可夫蒙特卡罗方法。我们提出了一种最优化方法,将计算时间和近似误差结合起来,并在均匀混合马尔可夫链的设置中进行了广泛的推广,表明了好的近似在实际应用中的重要性,如 $n$ 个逻辑回归和高斯处理的低秩逼近。
Aug, 2015
本论文提出一个名为 cloned HMM 的稀疏结构的 Hidden Markov Models 模型,通过这一结构,模型可以高效地学习变化顺序序列及处理不确定性,实现了对 n-gram、序列记忆器和 RNN 等方法的超越。
May, 2019
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
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
该论文旨在统一马尔科夫链蒙特卡洛(MCMC)与机器学习的各种问题,包括黑箱变分推断、自适应 MCMC、理论流构建和辅助传输 MCMC、代理似然 MCMC,并通过一个共同的框架进行泛化与翻译。
Feb, 2024
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
本文提出了第一步: Probabilistic Path HMC,该算法可以在具有错综复杂结构的空间中进行采样分布,并使用该算法对一些结构复杂的空间(如 Phylogenetic Trees)进行了有效实现。
Feb, 2017
提出了一种名为 Mixed HMC (M-HMC) 的新型 MCMC 算法,该算法可并行演化离散和连续变量,以解决 HMC 方法不能应用于具有混合离散和连续变量的分布的基本局限性,并在三个实验中证明了 M-HMC 算法优于现有方法的性能。
Sep, 2019