本文提出了一种使用欠阻尼 langevin 动力学的 Moreau-Yosida 近似的新实现方法,以及使用分段确定马尔可夫过程(PDMP)进行准确后验推断的方法。这两种采样方法使用范围更广泛,具有更好的采样精度。
Mar, 2021
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
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
通过逆扩散过程进行采样的 RS-DMC 算法,利用新颖的递归评分估计方法,设计高效的算法来解决 Diffusion-based Monte Carlo 中高梯度复杂度问题,并在常用耗散条件下证明其比常用 Langevin-based 算法速度更快,为解决采样问题提供了新的方向。
Jan, 2024
本文提供了一种基于连续马尔可夫过程的通用配方,用于构建包括随机梯度版本的 MCMC 采样器,并提出了一种新的状态自适应采样器:随机梯度 Riemann Hamiltonian Monte Carlo (SGRHMC)。通过实验证明,该算法继承了 Riemann HMC 的优点,并具有可扩展性。
Jun, 2015
本文提出了利用 Hamiltonian Monte Carlo 方法的广义运动函数来改进随机梯度马尔可夫蒙特卡罗采样的效率,并讨论了克服这种泛化所引入的实际问题的技术。实验证明,该方法在探索复杂的多峰后验分布方面表现优秀。
Jun, 2017
研究了随机梯度 HMC,提出了一种使用带有摩擦项的二阶 Langevin 动力学的变体,以消除噪声梯度的影响,并使用该方法在神经网络和在线贝叶斯矩阵分解任务中验证了其有效性。
Feb, 2014
本文针对大数据分析,提出了一种基于 Wasserstein 梯度流的粒子优化框架,用于统一随机梯度 MCMC 和 Stein 变分梯度下降算法,并能够更有效地解决概率测度空间上的挑战。实验结果表明,该框架能够提高贝叶斯抽样的效率和可伸缩性。
May, 2018
本研究使用随机梯度哈密尔顿蒙特卡洛方法对深层高斯过程模型的非高斯后验分布抽样,提供了一种新的推断方法,成为 Deep Gaussian Processes 领域新的最优模型。
Jun, 2018
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