論文の概要: A Parallel Evolutionary Multiple-Try Metropolis Markov Chain Monte Carlo Algorithm for Sampling Spatial Partitions

• arxiv url: http://arxiv.org/abs/2007.11461v1
• Date: Wed, 22 Jul 2020 14:28:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 23:15:06.280225
• Title: A Parallel Evolutionary Multiple-Try Metropolis Markov Chain Monte Carlo Algorithm for Sampling Spatial Partitions
• Title（参考訳）: 並列進化型マルチトライ・メトロポリス・マルコフ連鎖モンテカルロアルゴリズムによる空間分割のサンプリング
• Authors: Wendy K. Tam Cho and Yan Y. Liu
• Abstract要約: 本研究では,空間状態空間内に存在する空間分割をサンプリングする進化的マルコフ連鎖モンテカルロ法(EMCMC)を提案する。 提案アルゴリズムは, 大規模かつ複雑な状態空間トラバーサルとしての進化的アルゴリズム(EA)の利点と, 未知分布からのサンプリングのためのマルコフ・チェイン・モンテカルロアルゴリズムの理論的収束特性を組み合わせたものである。 我々は,大規模並列アーキテクチャによる計算能力を活用して,EMCMCアルゴリズムの到達範囲をさらに拡大する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We develop an Evolutionary Markov Chain Monte Carlo (EMCMC) algorithm for sampling spatial partitions that lie within a large and complex spatial state space. Our algorithm combines the advantages of evolutionary algorithms (EAs) as optimization heuristics for state space traversal and the theoretical convergence properties of Markov Chain Monte Carlo algorithms for sampling from unknown distributions. Local optimality information that is identified via a directed search by our optimization heuristic is used to adaptively update a Markov chain in a promising direction within the framework of a Multiple-Try Metropolis Markov Chain model that incorporates a generalized Metropolis-Hasting ratio. We further expand the reach of our EMCMC algorithm by harnessing the computational power afforded by massively parallel architecture through the integration of a parallel EA framework that guides Markov chains running in parallel.
• Abstract（参考訳）: 大規模かつ複雑な空間状態空間内に存在する空間分割をサンプリングするための進化的マルコフ連鎖モンテカルロ法(EMCMC)を開発した。 本アルゴリズムは,状態空間トラバーサルの最適化ヒューリスティックとして進化アルゴリズム(eas)の利点と,未知分布からのサンプリングのためのマルコフ連鎖モンテカルロアルゴリズムの理論的収束特性を組み合わせたものである。 一般化されたメトロポリス・ハスティング比を組み込んだマルチトリメトロポリス・マルコフ連鎖モデルの枠組み内で,マルコフ連鎖を有望な方向に適応的に更新するために,最適化ヒューリスティックによる有向探索によって同定された局所最適性情報を用いる。 我々は,並列に動作するマルコフ連鎖を案内する並列EAフレームワークを統合することで,大規模並列アーキテクチャによって得られる計算能力を活用することで,EMCMCアルゴリズムの到達範囲をさらに拡大する。

関連論文リスト

• Ant Colony Sampling with GFlowNets for Combinatorial Optimization [68.84985459701007]
  Generative Flow Ant Colony Sampler (GFACS)は、階層的に償却推論と並列探索を組み合わせた新しいメタヒューリスティック手法である。 提案手法はまず,生成フローネットワーク(GFlowNets)を利用して,ソリューション空間上の複数モーダル事前分布を記憶する。
  論文  参考訳（メタデータ） (2024-03-11T16:26:06Z)
• Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
  本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。 我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。 シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
  論文  参考訳（メタデータ） (2024-01-29T02:08:40Z)
• Improving sample efficiency of high dimensional Bayesian optimization with MCMC [7.241485121318798]
  本稿ではマルコフ・チェイン・モンテカルロに基づく新しい手法を提案する。 提案アルゴリズムのMetropolis-HastingsとLangevin Dynamicsの両バージョンは、高次元逐次最適化および強化学習ベンチマークにおいて最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-01-05T05:56:42Z)
• Quick Adaptive Ternary Segmentation: An Efficient Decoding Procedure For Hidden Markov Models [70.26374282390401]
  ノイズの多い観測から元の信号(すなわち隠れ鎖)を復号することは、ほぼすべてのHMMに基づくデータ分析の主要な目標の1つである。 本稿では,多対数計算複雑性において隠れた列を復号化するための分法であるQuick Adaptive Ternary(QATS)を提案する。
  論文  参考訳（メタデータ） (2023-05-29T19:37:48Z)
• Importance is Important: Generalized Markov Chain Importance Sampling Methods [4.611170084430822]
  我々は,任意のマルチトライトリメトロポリスアルゴリズムにおいて,提案を常に受け入れ,余分な計算コストを伴わずにバイアスを補正するために必要な重み付けを評価することができることを示した。 本稿では、メトロポリス・ハスティングスフレームワークの外部にある離散空間上の別のMCMCサンプリング器を提案する。
  論文  参考訳（メタデータ） (2023-04-13T04:04:09Z)
• 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)
• Sampling in Combinatorial Spaces with SurVAE Flow Augmented MCMC [83.48593305367523]
  ハイブリッドモンテカルロ(Hybrid Monte Carlo)は、複素連続分布からサンプリングする強力なマルコフ連鎖モンテカルロ法である。 本稿では,SurVAEフローを用いたモンテカルロ法の拡張に基づく新しい手法を提案する。 本稿では,統計学,計算物理学,機械学習など,様々な分野におけるアルゴリズムの有効性を実証し,代替アルゴリズムと比較した改良点を考察する。
  論文  参考訳（メタデータ） (2021-02-04T02:21:08Z)
• 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)
• A Dynamical Systems Approach for Convergence of the Bayesian EM Algorithm [59.99439951055238]
  我々は、(離散時間)リアプノフ安定性理論が、必ずしも勾配ベースではない最適化アルゴリズムの分析(および潜在的な設計)において、いかに強力なツールとして役立つかを示す。 本稿では,不完全データベイズフレームワークにおけるパラメータ推定を,MAP-EM (maximum a reari expectation-maximization) と呼ばれる一般的な最適化アルゴリズムを用いて行うことに着目したML問題について述べる。 高速収束(線形あるいは二次的)が達成され,S&Cアプローチを使わずに発表することが困難であった可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-23T01:34:18Z)
• Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding Design for Multiuser MIMO Systems [59.804810122136345]
  本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。 古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。 提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
  論文  参考訳（メタデータ） (2020-06-15T02:57:57Z)

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。