- 使用深度学习解决薛定谔方程的黄金标准解:需要多少物理学知识?
本文介绍了一种使用深度学习和蒙特卡洛方法结合的新型架构,能够以更低的计算成本(为以前方法的 6 倍)获得更高的精度(错误能量降低了 40-70%),并且为许多不同的原子和分子计算了迄今为止发表的最精确的变分基态能量。作者还系统地剖析了提高物 - ICML使用本地增强边界进行层次模型的变分推断
本文提出了一种基于收紧方法的层次模型变分下界的变分方法,该方法可以自然地使用子采样以获得无偏梯度,并在较低维度空间中独立地应用紧缩较低下界的方法,以获得比相关基线更好的结果和更准确的后验近似。
- 通过无穷小分类进行密度比率估计
该论文提出了一种基于 DRE-∞的、通过蒙特卡罗方法的数值计算技术,从而能够更准确地估算高维度数据中的概率分布之间的密度比率,并为复杂的高维数据集上的任务(如相互信息估计和能量建模)提供了更好的性能。
- 使用共享权重深度神经网络求解多核几何下的电子薛定谔方程
本文介绍了一种通过引入神经网络和 Monte Carlo 方法相结合,结合深度迁移学习的方法来解决当前高精度计算方法在计算与电子相互作用的粒子数量较大时的计算成本大,探索引入权重共享约束的优化过程,使神经网络模型的 95% 的权重可以在变化 - 数学金融中随机微分方程的量子加速多级蒙特卡罗方法
本文研究了随机微分方程的量子算法,提出了可用于计算在金融数学中的实际应用,并展示了其在 Black-Scholes 和 Local Volatility 模型等各种应用中的作用。
- 高斯过程的路径条件化
研究高斯过程的路径条件下的条件概率,给出了一类高效(具有多种应用背景,例如全局优化和强化学习)的近似方法。
- 顺序蒙特卡罗取样器邀请
本文介绍了顺序蒙特卡罗取样器以及它们可能的实现,说明了顺序蒙特卡罗取样器在统计学中的被低估。这些取样器具有执行顺序推断和利用并行处理资源等潜在优势。
- 高斯过程后验函数的高效采样
本文提出了一种将高斯过程进行分解,以便通过将先验与数据分离来进行可扩展抽样的方法,同时结合稀疏逼近在训练和测试时间都能够达到可扩展性的一般性方法。实验证明分解后的样本轨迹可以以较低的代价准确地表示高斯过程后验分布。
- ICLR广义离线估计稳定值
通过基于可变分歧最小化的约束重构,估计了马尔科夫链稳态分布的量,提出了一个简单而有效的算法 GenDICE,在离线 PageRank 和离线政策评估等基准问题上具有强大的实证性能。
- 镜像 Langevin Monte Carlo 的 Wasserstein 控制
本研究主要探讨了在 Hessian 型流形上的 Langevin 扩散过程与镜像下降的关系,运用该理论推导出了 Hessian Riemannian Langevin Monte Carlo 算法的非渐进抽样误差上限并证明了其适用性。
- 流形上蒙特卡罗方法:密度采样和函数积分
针对欧几里得空间中相等和不等约束定义的流形,我们描述并分析了一些蒙特卡洛方法,其中提出了一个采用正交投影进行采样的 MCMC 采样器,来计算该流形上定义的非归一化概率分布。我们使用这个采样器来开发一个多阶段算法,并提供单次运行误差估计,以计 - 连续时间蒙特卡罗的分段确定性马尔可夫过程
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。
- 用受限玻尔兹曼机加速蒙特卡罗模拟
本文提出了将人工神经网络用于蒙特卡罗方法的改进,使其在统计物理问题中的混合时间得以加速,具体应用于 Falicov-Kimball 模型,并在其相变点附近展示了接受比率和自相关时间的提高。
- Zig-Zag 进程和超高效抽样在大数据贝叶斯分析中的应用
本研究介绍了一种新的蒙特卡洛方法 —— 基于 Zig-Zag 过程的多维连续时间分段确定性马尔可夫过程,提出了一个子抽样版本的 Zig-Zag 过程,可以在不依赖于数据大小的计算成本下,实现估算后验分布。
- NIPS贝叶斯条件密度估计下无需 ε 的快速模拟模型推理
该论文提出了一种基于贝叶斯条件密度估计的无似然推断方法,通过有限的模拟数据进行初步的推断,引导后续的模拟,相较于 Monte Carlo ABC 方法,该方法需要较少的模型模拟来获得整个真实后验分布的准确参数化表示。
- 确定性点过程蒙特卡罗
本文提出了基于确定性点过程和多元正交多项式的随机数值积分方法,其均方根误差会随着积分点数呈 N^{-(1+1/d)/2} 的速率减小,并在此基础上证明了一个属于该类定理的中心极限定理和精确的极限误差方差。
- Poisson 过程模型的蒙特卡罗方法
本文介绍了蒙特卡洛仿真的泊松过程模型,解释了如何通过扰动和最大化质量函数来完成对离散分布的采样。并通过构建随机函数的方法用于无限空间中的泊松过程模型,综述了 A * 采样和 OS * 采样两种不同蒙特卡洛方法。
- 概率积分:在统计计算中的作用?
本文探讨了概率数字方法在常规统计计算方面的应用,主要技术贡献是建立了这些方法的后验收敛率,表明概率积分器可以结合蒙特卡罗方法的采样效率,提供一个原理路线来评估数值误差对科学结论的影响。
- 弹性粒子采样器:一种非可逆无拒绝的马尔可夫链蒙特卡罗方法
本文介绍了利用连续时间马尔可夫过程探索目标分布的一种替代方法,该方法可以提供无拒绝的 MCMC 抽样方案,并且在采样混合离散 - 连续分布和被限制在平滑连通域上的分布时很有效。
- 可扩展的离散抽样问题视为多臂赌博机问题
研究了在大规模贝叶斯推理和图形模型中出现的高度依赖性离散随机变量抽样问题,结合多臂赌博问题提出了一种有效的近似解决方案,通过实验评估证明了在合成和实际大规模问题中的高效性。