論文の概要: tfp.mcmc: Modern Markov Chain Monte Carlo Tools Built for Modern
Hardware
- arxiv url: http://arxiv.org/abs/2002.01184v1
- Date: Tue, 4 Feb 2020 09:27:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-04 03:36:56.469888
- Title: tfp.mcmc: Modern Markov Chain Monte Carlo Tools Built for Modern
Hardware
- Title(参考訳): tfp.mcmc: 現代のハードウェア用に作られた現代のマルコフチェーンモンテカルロツール
- Authors: Junpeng Lao, Christopher Suter, Ian Langmore, Cyril Chimisov, Ashish
Saxena, Pavel Sountsov, Dave Moore, Rif A. Saurous, Matthew D. Hoffman, and
Joshua V. Dillon
- Abstract要約: マルコフ連鎖モンテカルロ(MCMC)は20世紀の最も重要なアルゴリズムの1つである。
本稿では,Probability MCMCツールキットについて紹介し,その設計を動機づけたいくつかの考察について論じる。
- 参考スコア(独自算出の注目度): 17.543053072382637
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Markov chain Monte Carlo (MCMC) is widely regarded as one of the most
important algorithms of the 20th century. Its guarantees of asymptotic
convergence, stability, and estimator-variance bounds using only unnormalized
probability functions make it indispensable to probabilistic programming. In
this paper, we introduce the TensorFlow Probability MCMC toolkit, and discuss
some of the considerations that motivated its design.
- Abstract(参考訳): マルコフ連鎖モンテカルロ(mcmc)は20世紀の最も重要なアルゴリズムの1つと見なされている。
非正規化確率関数のみを用いた漸近収束、安定性、および推定子分散境界の保証は確率計画に不可欠である。
本稿では、tensorflow probability mcmc toolkitを紹介し、その設計の動機となるいくつかの考察について述べる。
関連論文リスト
- MCMC-driven learning [64.94438070592365]
この論文はモンテカルロのハンドブックの章として登場することを意図している。
本研究の目的はマルコフ連鎖学習の共通点における様々な問題を統一することである。
論文 参考訳(メタデータ) (2024-02-14T22:10:42Z) - SMC Is All You Need: Parallel Strong Scaling [0.7374586159008119]
並列高強度スケーリングを実現するための完全並列シーケンシャルモンテカルロ法(pSMC)を開発した。
pSMC は無限小精度 MSE$=O(varepsilon2)$ に収束し、固定された有限時間複素度コスト=O(1)$ であり、効率リークがない。
論文 参考訳(メタデータ) (2024-02-09T04:13:38Z) - Meta-Uncertainty in Bayesian Model Comparison [0.0]
メタ不確かさの定量化のための完全確率的枠組みを提案する。
提案手法の有用性を,共役ベイズ回帰,マルコフ連鎖モンテカルロによる確率ベース推論,ニューラルネットワークによるシミュレーションベース推論の文脈で示す。
論文 参考訳(メタデータ) (2022-10-13T18:10:29Z) - Finite Sample Complexity of Sequential Monte Carlo Estimators on
Multimodal Target Distributions [0.0]
我々は、関連するカーネルの局所混合時間のみを必要とするシーケンシャルモンテカルロ(SMC)アルゴリズムに対する有限サンプル複素数を証明する。
対象の分布がマルチモーダルであり、カーネルのグローバルな混合が遅い場合、我々の境界は特に有用である。
論文 参考訳(メタデータ) (2022-08-13T15:06:03Z) - Continual Repeated Annealed Flow Transport Monte Carlo [93.98285297760671]
我々はCRAFT(Continuous Repeated Annealed Flow Transport Monte Carlo)を提案する。
シーケンシャルなモンテカルロサンプリングと正規化フローを用いた変分推論を組み合わせる。
CRAFTは格子場の実例で驚くほど正確な結果が得られることを示す。
論文 参考訳(メタデータ) (2022-01-31T10:58:31Z) - Structured Stochastic Gradient MCMC [20.68905354115655]
近似した後方関数形式を仮定しない新しい非パラメトリック変分近似を提案する。
完全なSGMCMCよりも優れた予測可能性と有効試料サイズが得られる。
論文 参考訳(メタデータ) (2021-07-19T17:18:10Z) - What Are Bayesian Neural Network Posteriors Really Like? [63.950151520585024]
ハミルトニアンモンテカルロは、標準およびディープアンサンブルよりも大きな性能向上を達成できることを示す。
また,深部分布は標準SGLDとHMCに類似しており,標準変動推論に近いことが示された。
論文 参考訳(メタデータ) (2021-04-29T15:38:46Z) - Annealed Flow Transport Monte Carlo [91.20263039913912]
Annealed Flow Transport (AFT) built on Annealed Importance Smpling (AIS) and Sequential Monte Carlo (SMC)
AFTは、連続したターゲットに向かって粒子をプッシュするために順次学習されるNFに依存します。
AFTの人口バージョンの連続時間スケーリング限界は、Feynman--Kac測度によって与えられることを示した。
論文 参考訳(メタデータ) (2021-02-15T12:05:56Z) - Nonreversible MCMC from conditional invertible transforms: a complete
recipe with convergence guarantees [16.889031401821754]
MCMCは複素および高次元確率分布をサンプリングするアルゴリズムのクラスである。
可逆性はトラクタブルな性質であり、ここではあまりトラクタブルではないが必須の性質、不変性を意味する。
本稿では,非可逆マルコフカーネルのクラスが所望の不変性を持つことを保証するため,汎用ツールを開発することでギャップを埋める。
論文 参考訳(メタデータ) (2020-12-31T11:22:22Z) - Efficient semidefinite-programming-based inference for binary and
multi-class MRFs [83.09715052229782]
分割関数やMAP推定をペアワイズMRFで効率的に計算する手法を提案する。
一般のバイナリMRFから完全多クラス設定への半定緩和を拡張し、解法を用いて再び効率的に解けるようなコンパクトな半定緩和を開発する。
論文 参考訳(メタデータ) (2020-12-04T15:36:29Z) - Kernel learning approaches for summarising and combining posterior
similarity matrices [68.8204255655161]
我々は,ベイズクラスタリングモデルに対するMCMCアルゴリズムの出力を要約するための新しいアプローチを提案するために,後部類似性行列(PSM)の概念を構築した。
我々の研究の重要な貢献は、PSMが正の半定値であり、したがって確率的に動機付けられたカーネル行列を定義するのに使用できることである。
論文 参考訳(メタデータ) (2020-09-27T14:16:14Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。