Feb, 2024

Markovletics: 学习连续时间马尔可夫链混合模型的方法及一种新应用

PDF
TL;DR该研究介绍了一种新颖的连续时间马尔可夫链混合模型，重点研究了观察路径长度和混合参数对问题范畴的影响，并通过实验证明了离散化连续时间路径对混合模型的可学习性有重要影响，为不同问题情境下的算法选择提供了关键见解。
sequential datacontinuous-time markov chainsctmc mixturesuser preferencesalgorithm selection
发现论文，激发创造
  • ULTRA-MC：通过撞击时间学习马尔可夫链混合物的统一方法

    该研究介绍了一种学习马尔可夫链混合的新方法，该方法通过集中于击中时间，设计了重构算法，在复杂计算和非对称特征的计算击中时导数方面具有高效性，并且在合成和真实数据集上进行了实验证明和全面评估。

    May, 2024

  • 高效连续时间马尔科夫链估计

    本研究提出了一种基于粒子的蒙特卡罗方法，其中持续时间通过解析方法边际化，最终在具有组合状态空间的连续时间马尔可夫链上实现更准确的参数后验近似。

    Sep, 2013

  • 连续时间切换动态系统的马尔可夫链蒙特卡罗方法

    该文提出了一种基于马尔科夫链蒙特卡罗方法的新型推断算法，用于在连续时间模型中获得精确的后验过程的样本，实现了贝叶斯参数估计，并估计了扩散协方差。

    May, 2022

  • 分段确定性马尔可夫链蒙特卡罗

    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

  • 离散去噪模型的连续时间框架

    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

  • 带质量保证的马尔科夫链混合模型学习

    本文介绍了一种基于奇异值分解的算法，可以将用户轨迹聚类成具有公共序列模式的组，进而分析人类行为，并使用 EM 算法将其应用于混合马尔可夫链的重建，在合成和实际数据上的实验表明该算法在重建错误方面表现优于 GKV-SVD 算法。

    Feb, 2023

  • 连续时间蒙特卡罗的分段确定性马尔可夫过程

    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

  • 应对马尔科夫数据随机优化中的混合时间

    本研究提出了一种新颖的多层蒙特卡罗渐进优化方法，针对含有 Markov 链随机数据的优化问题，能够在不知道 Markov 链混合时间的情况下获得最佳渐进收敛速率，并适用于非凸优化求解及在时间差分 (TD) 学习中获取更好的混合时间依赖性。

    Feb, 2022

  • 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

  • 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