論文の概要: Orbital MCMC
- arxiv url: http://arxiv.org/abs/2010.08047v2
- Date: Mon, 7 Jun 2021 15:12:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 05:29:30.044401
- Title: Orbital MCMC
- Title(参考訳): 軌道MCMC
- Authors: Kirill Neklyudov, Max Welling
- Abstract要約: 任意の微分同相写像から周期軌道を構築するための2つの実用的なアルゴリズムを提案する。
また,両カーネルの実用的メリットを実証した実証的研究を行った。
- 参考スコア(独自算出の注目度): 82.54438698903775
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Markov Chain Monte Carlo (MCMC) algorithms ubiquitously employ complex
deterministic transformations to generate proposal points that are then
filtered by the Metropolis-Hastings-Green (MHG) test. However, the condition of
the target measure invariance puts restrictions on the design of these
transformations. In this paper, we first derive the acceptance test for the
stochastic Markov kernel considering arbitrary deterministic maps as proposal
generators. When applied to the transformations with orbits of period two
(involutions), the test reduces to the MHG test. Based on the derived test we
propose two practical algorithms: one operates by constructing periodic orbits
from any diffeomorphism, another on contractions of the state space (such as
optimization trajectories). Finally, we perform an empirical study
demonstrating the practical advantages of both kernels.
- Abstract(参考訳): マルコフ連鎖モンテカルロ (mcmc) アルゴリズムは複雑な決定論的変換をユビキタスに採用し、metropolis-hastings-green (mhg) テストによってフィルタリングされる提案点を生成する。
しかし、目標測度不変性の条件は、これらの変換の設計に制限を与える。
本稿ではまず,任意の決定性写像を提案生成器として考慮した確率マルコフカーネルの受入試験を導出する。
周期2の軌道を持つ変換(進化)に適用すると、テストはMHGテストに還元される。
導出テストに基づいて、任意の微分同相写像から周期軌道を構築すること、状態空間の縮約(最適化軌道など)を演算する2つの実用的なアルゴリズムを提案する。
最後に,両カーネルの実用的メリットを示す実証的研究を行った。
関連論文リスト
- Laplace Transform Based Low-Complexity Learning of Continuous Markov Semigroups [22.951644463554352]
本稿ではマルコフ半群の無限小生成器(IG)のスペクトル分解を通してマルコフ過程を学習するためのデータ駆動型アプローチを提案する。
物理インフォームドカーネルレグレッションを含む既存の技術は計算コストが高く、スコープが限られている。
本稿では,移動演算子のラプラス変換を特徴とするIGの分解能を利用する新しい手法を提案する。
論文 参考訳(メタデータ) (2024-10-18T14:02:06Z) - Accelerating Distributed Stochastic Optimization via Self-Repellent
Random Walks [11.3631620309434]
エージェントのネットワークをランダムウォーク方式で横断するトークンによって勾配をサンプリングする分散最適化アルゴリズムの一群について検討する。
我々は、正則線型マルコフトークンを非線形マルコフ連鎖、すなわち自己推進ラドムウォーク(SRRW)に従うものに置き換えることで、新しいアプローチをとる。
結果のSA-SRRWの最適化誤差はほぼ確実にゼロに収束し、中心極限定理を証明する。
論文 参考訳(メタデータ) (2024-01-18T00:50:37Z) - Efficient simulation of Gottesman-Kitaev-Preskill states with Gaussian
circuits [68.8204255655161]
ゴッテマン・キタエフ・プレスキル状態(GKP)の古典的シミュラビリティを,任意の変位,大規模なシンプレクティック操作,ホモダイン測定と組み合わせて検討した。
これらのタイプの回路では、準確率分布の非負性性に基づく連続変数の定理も離散変数の定理も、シミュラビリティの評価には使用できない。
論文 参考訳(メタデータ) (2022-03-21T17:57:02Z) - Deterministic Gibbs Sampling via Ordinary Differential Equations [77.42706423573573]
本稿では,自律的ODEとツールを用いた決定論的測度保存ダイナミクスの一般構築について述べる。
我々は、ハイブリッドモンテカルロや他の決定論的サンプルが、我々の理論の特別な場合としてどのように従うかを示す。
論文 参考訳(メタデータ) (2021-06-18T15:36:09Z) - Machine Learning and Variational Algorithms for Lattice Field Theory [1.198562319289569]
格子量子場論の研究において、格子理論を定義するパラメータは連続体物理学にアクセスする臨界性に向けて調整されなければならない。
経路積分の領域に適用される輪郭変形に基づいてモンテカルロ推定器を「変形」する手法を提案する。
我々は,フローベースMCMCが臨界減速を緩和し,オブザーシフォールドが原理的応用のばらつきを指数関数的に低減できることを実証した。
論文 参考訳(メタデータ) (2021-06-03T16:37:05Z) - 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) - Pathwise Conditioning of Gaussian Processes [72.61885354624604]
ガウス過程後部をシミュレーションするための従来のアプローチでは、有限個の入力位置のプロセス値の限界分布からサンプルを抽出する。
この分布中心の特徴づけは、所望のランダムベクトルのサイズで3次スケールする生成戦略をもたらす。
条件付けのこのパスワイズ解釈が、ガウス過程の後部を効率的にサンプリングするのに役立てる近似の一般族をいかに生み出すかを示す。
論文 参考訳(メタデータ) (2020-11-08T17:09:37Z) - Accelerated Message Passing for Entropy-Regularized MAP Inference [89.15658822319928]
離散値のランダムフィールドにおけるMAP推論の最大化は、機械学習の基本的な問題である。
この問題の難しさから、特殊メッセージパッシングアルゴリズムの導出には線形プログラミング(LP)緩和が一般的である。
古典的加速勾配の根底にある手法を活用することにより,これらのアルゴリズムを高速化するランダム化手法を提案する。
論文 参考訳(メタデータ) (2020-07-01T18:43:32Z) - Adversarial Optimal Transport Through The Convolution Of Kernels With
Evolving Measures [3.1735221946062313]
サンプルベース最適輸送問題の解法として,新しいアルゴリズムを提案する。
分布のモンテカルロシミュレーションとしてのテスト関数の表現は、アルゴリズムを次元に頑健にする。
論文 参考訳(メタデータ) (2020-06-07T19:42:50Z)
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。