关键词markov chain monte carlo
搜索结果 - 227
- 贝叶斯深度冰
深度独立分量估计（DICE）是一种现代机器学习中用于特征工程提取的方法，通过期望最大化（EM）和马尔可夫链蒙特卡罗（MCMC）算法，我们提供了独立分量分析的新型潜变量表示，该方法还适用于非线性特征提取的流体方法，并讨论了如何实现条件后验和基 - 基于扩散的故障采样技术对于网络物理系统
在高维领域中验证安全关键的自主系统（如机器人）是一个重大挑战。我们提出使用条件降噪扩散模型对故障分布进行采样，并经验证在高维机器人验证任务中相比现有的黑盒技术，能够提高采样效率和模态覆盖。
- 盲超分辨率：元学习与马尔可夫链蒙特卡洛模拟
通过元学习和马尔可夫链蒙特卡罗 (MCMC) 的盲图像超分辨率 (SISR) 方法，从有组织的随机性中学习核先验，同时提出基于元学习的交替优化策略实现一个基于学习的即插即用的盲 SISR 解决方案，通过对合成和真实数据集进行广泛的模拟，表明 - 层次泊松过程建模金融量曲线
金融交易应用中，建模金融工具的交易量曲线是一个关键的研究领域，该论文介绍了一种基于层次化泊松过程模型的交易量曲线建模方法，利用贝叶斯非参数混合模型的切片抽样框架推导出高效的马尔可夫链蒙特卡洛算法，实证研究表明该方法在不同股票数据集上的可扩展 - 利用机器学习模型加速多层级马尔可夫链蒙特卡洛
利用多层次马尔可夫链蒙特卡洛 (MCMC) 抽样算法的低保真机器学习模型，本文提出了一种有效的方法来加速大规模问题的抽样。通过在层次结构框架中将高保真模型与低保真模型相结合，我们的方法提供了一种计算高效的替代方案，以改善样本的接受率。我们的 - 通过随机梯度巴克动力学实现鲁棒的近似采样
此研究介绍了随机梯度贝克动力学（SGBD）算法，通过扩展最近开发的贝克马尔科夫链蒙特卡洛（MCMC）方案为随机梯度框架，实现了在大数据集下对贝叶斯采样的鲁棒性。研究表明，相比流行的随机梯度 Langevin 动力学算法，SGBD 在超参数调 - EMC$^2$: 高效的 MCMC 负采样对比学习与全局收敛性
提出了一种名为 EMC² 的高效马尔可夫链蒙特卡罗负采样方法，可用于对比学习中的负样本生成，该方法利用自适应 Metropolis-Hastings 子程序在线生成适应样本，并证明了 EMC² 在 T 次迭代中找到全局对比损失的 O (1/ - 基于马尔可夫链蒙特卡洛的 3D 高斯点云重建
3D 高斯喷洒作为神经渲染的一种方法，当前的方法依赖于精心设计的克隆和分裂策略来放置高斯函数，这些方法往往无法泛化并且可能导致质量较低的渲染。本研究提出将 3D 高斯函数视为从描述场景物理表示的基础概率分布中随机采样得到的蒙特卡洛采样，通过 - 贝叶斯加性回归网络
应用贝叶斯加法回归树（BART）原理对小型神经网络进行回归任务的训练，通过马尔科夫链蒙特卡洛从具有单隐藏层的神经网络的后验分布中进行采样并应用吉布斯采样来更新每个网络，演示了该技术在多个基准回归问题上的有效性，并与等效的浅层神经网络、BAR - 优化和采样的近端预言机
本文考虑了具有非光滑目标函数和具有非光滑潜势（负对数密度）的凸优化和对数凹取样问题，并研究了两个特定的设置，其中凸目标 / 潜势函数可以是半光滑的，也可以是复合形式，作为半光滑分量的有限和。为了克服非光滑性带来的挑战，我们的算法在优化和取样 - 划分、攻克、融合贝叶斯决策树采样
该研究使用贝叶斯推断方法来量化决策树预测的不确定性。通过 DCC-Tree 方法，与其他贝叶斯树方法相比，在一致性和降低每个建议的复杂性的同时，表现相媲美其他基于 HMC 的方法。
- MCMC 驱动学习
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。
- SMC 是您所需的全部：并行强伸缩
在贝叶斯推断的一般框架中，目标分布只能以比例常数进行评估。我们发展了一种完全并行的顺序蒙特卡洛 (pSMC) 方法，可以证明其具有并行的强缩放性，即如果允许异步进程数量增长，则时间复杂度（和每个节点内存）保持有界。对于一些贝叶斯推断问题，我 - 扩散吉布斯抽样
我们提出了 DiGS (一种创新的采样方法) 用于从具有远离和断开模态的分布中进行有效采样。DiGS 通过将扩散模型与高斯卷积相结合，创造了一个桥接原始空间中孤立模态的辅助噪声分布，并且应用了 Gibbs 采样来交替地从两个空间中抽取样本。 - 使用马尔可夫链蒙特卡洛从大型语言模型中恢复心智表征
使用大型语言模型（LLMs）作为抽样算法的元素，可以有效地研究 LLMs 的心理表征。我们通过使用 Direct Sampling 和 Markov chain Monte Carlo（MCMC）基于自适应抽样算法，实现了高效和高性能的心理 - 提高高维贝叶斯优化中的样本效率与 MCMC
基于马尔可夫链蒙特卡罗方法，我们提出了一种新的算法来从近似后验中高效采样，该算法在高维度的顺序优化中表现优于现有方法。
- 利用概率计算机辅助的均场深度玻尔兹曼学习
利用概率计算机（p-computer）和意味场理论（Mean-Field Theory）辅助学习算法，该研究提出了用于训练难以处理的波尔兹曼机（Boltzmann Machines）的方法以及在可扩展的伊辛机器（Ising machines - 最大熵 GFlowNets 与软 Q 学习
构建适当的奖励函数，建立了生成性流网络（GFN）与最大熵强化学习（RL）之间的确切关系，并介绍了具有最大熵的 GFN。
- 基于玻尔兹曼生成器的 MCMC 移动的转移路径抽样
通过正态流潜空间中的 Metropolis-Hastings 接受准则，提出了一种在不需分子模拟的情况下，通过正态化流从分子的 Boltzmann 分布到高斯分布的映射，来快速提取两个 3D 状态间所有可能的过渡路径，并进行精确采样。
- 广义对比散度：借助逆强化学习的能量模型和扩散模型的联合训练
我们提出了广义对比散度（GCD），这是一种同时训练能量模型（EBM）和采样器的新型客观函数。GCD 通过用可训练的采样器（如扩散模型）取代马尔可夫链蒙特卡罗（MCMC）分布，将对比散度（Hinton, 2002）这种训练 EBM 的著名算法