Jul, 2023

SpreadNUTS-- 无 U 转噬取样的路径适度动态延伸和区域划分

PDF
TL;DR本文介绍了一种针对 Hamiltonian Monte Carlo (HMC) 算法中 no-U-turn sampler (NUTS) 进行改进的方法，以实现更快的收敛速度。
markov chain monte carlomcmc methodsno-u-turn samplerhamiltonian monte carloconvergence
发现论文，激发创造
  • 无 U-Turn 采样器：自适应设置哈密顿蒙特卡罗路径长度

    介绍了一种基于 Hamiltonian Monte Carlo 的 No-U-Turn Sampler 算法，能够消除用户需要手动设置采样步数的需求，通过递推式自适应调整采样步数；此算法效率至少不劣于标准 HMC 算法，而且不需要手动调参，适用于诸如自动推断引擎等的应用。

    Nov, 2011

  • 概率路径哈密顿蒙特卡罗

    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

  • 混合离散连续变量的混合哈密顿蒙特卡罗方法

    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

  • 用于双重难以计算分布的 MCMC

    本文介绍了 Moeller 等人（2004）的辅助变量方案，该方案用于从具有难以处理的归一化常数的分布中进行准确的抽样，并提出了一种新的 MCMC 算法，提高提议分布的接受概率，并在采样之前消除模型参数估计的需求。

    Jun, 2012

  • 加速 MCMC 算法

    本研究使用 Markov chain Monte Carlo 算法通过局部探索复杂的统计分布进行模拟，加速收敛的技术包括 tempering 和 Hamiltonian Monte Carlo 等方法。

    Apr, 2018

  • 马尔可夫跳过程及其扩展的快速 MCMC 采样

    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

  • 多步梯度法对 Metropolized Hamiltonian Monte Carlo 的快速混合优势

    本文研究 Hamiltonian Monte Carlo 算法及其变种 Metropolized HMC 在连续空间中从光滑概率密度函数中提取样本的能力，并提供了关于混合时间的理论证明和分析。

    May, 2019

  • 探索贝叶斯决策树后验的 RJHMC 树

    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

  • 加速贝叶斯决策树的并行方法

    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

  • 具有非牛顿动量的哈密顿动力学用于快速采样

    提出了一种基于 Hamiltonian 动力学的新型采样方法，这种方法通过非牛顿动量在超过状态空间中的确定性动力学下，从指定的能量函数中精确地采样出目标分布，比传统的 MCMC 方法收敛更快且无需随机步骤，并且可以用现有的 ODE 解算器求解。

    Nov, 2021