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。
Feb, 2024
该论文提出了一种上调和蒙特卡洛算法(uHMC),并提供了关于其马尔科夫链混合时间、总变差距离等指标的上限,证明了可在 log 级别的时间内实现精度为 ε 的近似目标分布,最终证明在两种模型下该算法的成功耦合可以实现这些上限。
May, 2021
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
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
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
分析医疗时间序列数据具有挑战性,而多维度且具有不规则采样、噪声和缺失值的数据、违反可交换性的异质患者组以及可解释性和不确定性量化至关重要。本文提出了一种新颖的模型类别 —— 混合耦合隐马尔可夫模型(M-CHMM),并展示了它优雅地解决了这些挑战。通过提出基于(i)粒子滤波和(ii)分解近似的采样器算法,我们使模型学习成为可能。与现有推理方法相比,我们的算法具有计算可行性、改善混合度和似然估计的特点,似然估计对于学习混合模型是必要的。对具有挑战性的真实流行病学和半合成数据的实验证明了 M-CHMM 的优点:改善数据拟合,能够高效处理缺失和噪声测量,提高预测准确性,并能够识别数据中可解释的子集。
Nov, 2023
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