論文の概要: Involutive MCMC: a Unifying Framework

• arxiv url: http://arxiv.org/abs/2006.16653v1
• Date: Tue, 30 Jun 2020 10:21:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 05:22:09.827445
• Title: Involutive MCMC: a Unifying Framework
• Title（参考訳）: Involutive MCMC: 統一フレームワーク
• Authors: Kirill Neklyudov, Max Welling, Evgenii Egorov, Dmitry Vetrov
• Abstract要約: iMCMCでは,幅広いMCMCアルゴリズムについて述べる。 我々は、新しいMCMCアルゴリズムを開発するための設計原則として使用できる多くのトリックを定式化する。 後者は、既知の可逆MCMCアルゴリズムをより効率的な可逆アルゴリズムに変換する2つの例で示す。
• 参考スコア（独自算出の注目度）: 64.46316409766764
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Markov Chain Monte Carlo (MCMC) is a computational approach to fundamental problems such as inference, integration, optimization, and simulation. The field has developed a broad spectrum of algorithms, varying in the way they are motivated, the way they are applied and how efficiently they sample. Despite all the differences, many of them share the same core principle, which we unify as the Involutive MCMC (iMCMC) framework. Building upon this, we describe a wide range of MCMC algorithms in terms of iMCMC, and formulate a number of "tricks" which one can use as design principles for developing new MCMC algorithms. Thus, iMCMC provides a unified view of many known MCMC algorithms, which facilitates the derivation of powerful extensions. We demonstrate the latter with two examples where we transform known reversible MCMC algorithms into more efficient irreversible ones.
• Abstract（参考訳）: Markov Chain Monte Carlo (MCMC) は、推論、積分、最適化、シミュレーションといった基本的な問題に対する計算手法である。 この分野は幅広い範囲のアルゴリズムを開発しており、その動機や適用方法、サンプリングの効率などによって異なる。 すべての違いにもかかわらず、それらの多くは同じコア原則を共有しており、Involutive MCMC(iMCMC)フレームワークとして統一しています。 これに基づいて, MCMCアルゴリズムの設計原理として利用できる, MCMCアルゴリズムをiMCMCで記述し, 多数の「トリック」を定式化する。 したがって、iMCMCは多くのMCMCアルゴリズムの統一ビューを提供し、強力な拡張の導出を容易にする。 後者は、既知の可逆MCMCアルゴリズムをより効率的な可逆アルゴリズムに変換する2つの例で示す。

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)
• Learning Energy-Based Prior Model with Diffusion-Amortized MCMC [89.95629196907082]
  非収束短距離MCMCを用いた事前及び後方サンプリングによる潜時空間EMM学習の一般的な実践は、さらなる進歩を妨げている。 本稿では,MCMCサンプリングのための単純だが効果的な拡散型アモータイズ手法を導入し,それに基づく潜時空間EMMのための新しい学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-10-05T00:23:34Z)
• Bayesian Decision Trees Inspired from Evolutionary Algorithms [64.80360020499555]
  我々は、マルコフ連鎖モンテカルロ(MCMC)を本質的に並列なアルゴリズムであるシーケンシャルモンテカルロ(SMC)に置き換えることを提案する。 実験により、SMCと進化的アルゴリズム(EA)を組み合わせることで、MCMCの100倍のイテレーションでより正確な結果が得られることが示された。
  論文  参考訳（メタデータ） (2023-05-30T06:17:35Z)
• Nonparametric Involutive Markov Chain Monte Carlo [6.445605125467574]
  NP-iMCMCは、多くの既存のiMCMCアルゴリズムを非パラメトリックモデルに応用できることを示す。 最近提案されたNP-iMCの例であるNonparametric HMCに適用することにより、いくつかの非パラメトリック拡張を構築した。
  論文  参考訳（メタデータ） (2022-11-02T13:21:52Z)
• Knowledge Removal in Sampling-based Bayesian Inference [86.14397783398711]
  単一のデータ削除要求が来ると、企業は大量のリソースで学んだモデル全体を削除する必要があるかもしれない。 既存の研究は、明示的にパラメータ化されたモデルのためにデータから学んだ知識を取り除く方法を提案する。 本稿では,MCMCのための機械学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-24T10:03:01Z)
• Variational Combinatorial Sequential Monte Carlo Methods for Bayesian Phylogenetic Inference [4.339931151475307]
  Vari Combinatorial Monte Carlo (VCSMC) は複雑な構造について学習するための変分探索を確立する強力なフレームワークである。 本稿では,VCSMC と CSMC が,従来のタスクよりも高い確率空間を探索できることを示す。
  論文  参考訳（メタデータ） (2021-05-31T19:44:24Z)
• Accelerating MCMC algorithms through Bayesian Deep Networks [7.054093620465401]
  マルコフ・チェイン・モンテカルロ(MCMC)アルゴリズムは、複雑な確率分布のサンプリングにおいて、その汎用性のために一般的に用いられる。 分布の次元が大きくなるにつれて、サンプリング空間を十分に探索する計算コストが困難になる。 マルコフ連鎖の最初の提案としてベイズニューラルネットワークの結果を用いて適応MCMCを実行する方法を示す。
  論文  参考訳（メタデータ） (2020-11-29T04:29:00Z)
• MCMC-Interactive Variational Inference [56.58416764959414]
  本稿では, MCMC-interactive variational inference (MIVI) を提案し, 後部を時間制約で推定する。 MIVIは変分推論とMCMCの相補的特性を利用して相互改善を促進する。 実験により、MIVIは後部を正確に近似するだけでなく、勾配MCMCとギブスサンプリング遷移の設計を容易にすることが示された。
  論文  参考訳（メタデータ） (2020-10-02T17:43:20Z)
• MetFlow: A New Efficient Method for Bridging the Gap between Markov Chain Monte Carlo and Variational Inference [20.312106392307406]
  変分推論(VI)とマルコフ・チェイン・モンテカルロ(MCMC)を組み合わせた計算効率の良い新しい手法を提案する。 このアプローチは汎用MCMCカーネルで使用することができるが,提案するMCMCアルゴリズムの新たなファミリである textitMetFlow に特に適している。
  論文  参考訳（メタデータ） (2020-02-27T16:50:30Z)

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。