- 自适应 MCMC 的强化学习
该论文介绍了一种名为强化学习 Metropolis-Hastings 的通用框架,通过理论支持和实证验证,旨在学习快速混合的 Metropolis-Hastings 转移核,并通过策略梯度进行优化。该方法被用于构建一个无梯度采样器,在 Po - 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。
- ICML无偏差对比散度与本地模式初始化的深度玻尔兹曼机端到端训练
本研究使用 Metropolis-Hastings 方法解决了深度 Boltzmann 机中梯度估计偏差的问题,提出一种无需贪婪预训练的端到端训练算法,实现了与其他深度生成模型相当的生成性能。
- 渐进最优的精确小批量 Metropolis-Hastings
本文提出了一种新的精确小批量 MH 方法 TunaMH,通过调节批大小与收敛速度之间的权衡来提高效率,并在鲁棒线性回归、截尾高斯混合以及逻辑回归中验证了 TunaMH 的优越性。
- 一种用于非光滑复合势函数的高效取样算法
本文提出了一种基于 Metropolis-Hastings 框架的新算法,用于采样具有复合非平滑密度的分布,并针对这种新算法证明了在至多 $O (d log (d/ε))$ 次迭代内将混合到距目标密度不超过 Eps 的总变差距离,而该方法的 - Metropolis-Hastings 生成对抗网络
本文介绍了一种新的生成对抗网络,将 Markov chain Monte Carlo 和 GANs 相结合,从生成器 - 判别器对所定义的隐性分布中绘制样本,并使用 GAN 训练的判别器来构建用于改进采样的包装器,从而提高了生成器的性能。
- 使用引导式方法的贝叶斯估计多维扩散过程离散观测
本文提出了一种新的框架来解决扩散过程参数估计中存在的难题,并将其应用于 Markov 链蒙特卡罗法中的数据扩充。该方法使用了一种基于随机游走的 Metropolis-Hastings 采样器来更新扩散程的参数,成功地解决了先前方法中的困难点 - 通用关系结构 MCMC 推断
使用通用的概率建模语言和泛用的 Metropolis-Hastings MCMC 算法,通过使用部分世界的 MCMC 状态,探索了一种基于上下文特定贝叶斯网络的可通用的 MCMC 引擎,可进行如记录链接和多目标跟踪之类的推理任务。实验结果表 - 超越随机游走和 Metropolis-Hastings 采样器:为什么你不应该为了无偏图采样而进行回溯
提出了 NBRW-rw 和 MHDA 算法分别解决了 SRW-rw 和 MH 算法扩散速度慢的问题,提供更高效率的无偏图采样。
- 多次尝试随机游走设计的灵活性
该论文研究了多重尝试 Metropolis (MTM) 算法,探讨其设计灵活性、满足细致平衡条件的多种方法,并给出不同的数值结果。
- 高效取样的不可逆 Monte Carlo 算法
通过对给定的可逆算法构建不可逆变形来改善从已知分布中的采样效率,并测试在通过一个自旋团簇示例上设计的不可逆版本 Metropolis-Hastings (IMH) 上。
- 一般性状态空间马尔可夫链和 MCMC 算法
本文介绍了关于马尔可夫链的多种结果,包括马尔可夫链的蒙特卡罗算法,几何和均匀遍历性的充分条件,收敛到稳态的速率的量化界限,以及 Metropolis-Hastings 算法的最优缩放和弱收敛结果。