- 基于集成的退火重要采样
通过结合种群基 Monte Carlo 方法来提高时间片 C 与均值场极限下的整体演变效率,我们提出了一个基于模型的 Annealed Importance Sampling (AIS) 的集成版本。
- 自适应模拟退火重要性采样与常速进展
本文介绍了通过 Annealed Importance Sampling 方法和常数级联算法对难以估计的分布进行抽样,并利用几何退火方法找到 KL 散度的最小值,进而发展出适用于 alpha 散度的算法。
- ICLR可微分顺序蒙特卡罗采样器中的重采样梯度消失
本研究探讨了一种名为 Differentiable AIS 的抽样方法,尝试通过添加重采样步骤来提高样本有效性,并在实证和理论上验证了该方法的可行性。
- 基于得分的扩散遇上退火重要性采样
本文介绍了使用分数比建模得到优化的扩展目标分布加上 Langevin 和 Hamiltonian 动力学离散化的 AIS 建议来估计边缘似然值的方法。
- 流退火重要性采样自助法
该研究提出 Flow AIS Bootstrap (FAB) 方法,采用退火重要性采样 (AIS) 和最小化质量覆盖 α 散度,使用的 α=2,从而避免了当前训练流方法的主要问题。使用 FAB 将多模态目标应用于学习甘氨二肽分子的玻尔兹曼分 - 可微退火重要性采样与梯度噪声的风险
提出了 Differentiable AIS(DAIS)算法,是 AIS 算法的一种变种,具备可导性,并能够进行小批量梯度。DAIS 在贝叶斯线性回归问题中是一致的,并提供亚线性收敛率。然而,针对大规模数据集的随机 DAIS 可能无法达到后 - 基于未经校正的哈密顿退火的 MCMC 变分推断
提出了一种使用类似于 AIS(Annealed Importance Sampling)的 Uncorrected Hamiltonian MCMC 过程的框架,称为 Uncorrected Hamiltonian Annealing,它能 - 蒙特卡罗变分自编码器
本文提出了 Monte Carlo VAE 方法,并通过在多个应用中的表现来说明其性能,该方法在 Variational auto-encoders、Evidence Lower Bound、 importance sampling、Ann - 退火流输运蒙特卡罗
本文提出了一种新的蒙特卡罗算法 Annealed Flow Transport (AFT),它 结合使用了 Annealed Importance Sampling (AIS)、Sequential Monte Carlo (SMC) 和 - 使用退火重要性采样学习深度生成模型
本文提出了使用退火重要性采样 (annealed importance sampling) 来学习深度生成模型的方法,该方法是变分推断 (variational inference) 和马尔可夫链蒙特卡罗 (Markov chain Mon - ICLR解码器生成模型的定量分析
本文提出使用提议的退火重要性抽样方法对基于解码器的模型进行对数似然评估,并使用双向蒙特卡罗验证其精度,分析了解码器模型的性能,现有对数似然估计器的有效性,过拟合程度以及这些模型错过数据分布的重要模式情况。
- 双向蒙特卡罗求解边缘似然
提出一种名为双向蒙特卡罗的技术,利用混合重要性采样或序列蒙特卡罗方法获得模型的准确对数边缘似然估计的随机下限和随机上限,并使用该方法获得的对数边缘似然估计真值对多种现有的最大似然估计器进行 quantitative 评估,并从中得出关于如何 - 利用反向退火得出 MRF 对数似然的准确和保守估计
提出了一种名为 RAISE 的估计 Markov 随机场模型分区函数的估计器,该估计器只需要标准 AIS 中的 MCMC 转移算子,实验结果表明,RAISE 与 AIS 的似然估计值相当接近,但在低似然时,相对于 AIS 更容易低估似然。
- 用于计算分配函数的哈密顿退火重要性采样
用哈密顿动力学扩展的退火重要性抽样技术快速估算规范常数,应用于计算有向和无向概率图像模型的对数似然函数,比较了线性生成模型和各种分布假设,提供代码以比较其他模型。
- 预处理重要采样
研究了如何使用马尔可夫链转移为固定分布的模拟退火过程定义一个重要性采样器,并表明此方法可以解决高维问题中找到好的重要性采样分布的难度,因此可用于评估难以评估的概率量,特别是在离散模式存在时