改进的并行温度淬火混合时间界限
研究重点在于使用 Langevin 扩散和模拟退火方法构建一种 Markov 链,能够在考虑温度的情况下从多种形式的分布中进行快速采样。
Oct, 2017
证明了在顺序蒙特卡洛(SMC)算法生成的样本的经验测度下,函数 f 的方差的界限,其时间复杂度取决于局部而非全局马尔可夫链混合动力学。SMC 是一种马尔可夫链蒙特卡洛(MCMC)方法,从已知分布中抽取 N 个粒子,然后通过一系列分布重新加权和重新采样粒子,每个实例中应用一次用于平滑的马尔可夫链。SMC 的原理是试图减轻多模性问题。然而,对于 SMC 的大多数理论保证是通过假设全局混合时间界限来获得的,这在单模态设置中才有效率。我们证明,可以在真正的多模态设置中获得界限,其混合时间仅取决于局部 MCMC 动力学。
May, 2024
本文针对平行淬火方法,通过识别可逆和不可逆的淬火系统的性能差异和表现,理论和实践分析了非可逆平行淬火方法的优越性,并研究了不可逆和可逆淬火方案的不同扩展极限,从而确定了最佳的淬火方案。
May, 2019
本文提出了一种改进并行温度调节蒙特卡罗模拟的算法,通过优化模拟温度集来最大化并行调节算法的效率,在二维 Ising 铁磁体和二维完全瓷棋盘 Ising 模型上验证了该算法。
Feb, 2006
本文针对平行淬火算法,建立基于大偏差理论的性能评估标准,并通过交换机制设计出一种等效的无交换方案,该方案利用一组权重来影响动态和经验测量,理论上最优,但在实际计算中不可行,需要进一步改进。
Oct, 2011
给出了使用两种蒙特卡罗采样方法(MALA 和 HMC)在良好条件的分布下性能的下界,并确定了每种方法的最短混合时间和松弛时间。该文还发现了跃点积分和 Chebyshev 多项式之间的新连接。
Jun, 2021
本文研究了 Hamiltonian Monte Carlo 算法在强对数凹目标分布上的混合性能,并得出了基于维度的混合度量和用于从 π 中采样的 HMC 跳跃步的梯度评估相关定理。
Aug, 2017
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
本文研究 MCMC 算法的 mixing rate 问题,并根据 Poincaré inequality 定理,展示 MCMC 算法在 state space 的 subset 上的条件概率分布上快速逼近真实条件分布的能力,进而探讨该理论在高斯混合模型采样和 Gibbs 采样中的应用。
Jun, 2023