論文の概要: Nested sampling with any prior you like
- arxiv url: http://arxiv.org/abs/2102.12478v1
- Date: Wed, 24 Feb 2021 18:45:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-26 13:38:27.974615
- Title: Nested sampling with any prior you like
- Title（参考訳）: 好きなものを使って ネストしたサンプルを
- Authors: Justin Alsing and Will Handley
- Abstract要約: 所望の事前密度からサンプルに基づいて訓練されたビジェクターは、変換を構築するための汎用的な方法を提供する。
宇宙論の例を多数挙げて, トレーニングされたビジェクターとネストサンプリングの併用を実演する。
- 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: Nested sampling is an important tool for conducting Bayesian analysis in
Astronomy and other fields, both for sampling complicated posterior
distributions for parameter inference, and for computing marginal likelihoods
for model comparison. One technical obstacle to using nested sampling in
practice is the requirement that prior distributions be provided in the form of
bijective transformations from the unit hyper-cube to the target prior density.
For many applications - particularly when using the posterior from one
experiment as the prior for another - such a transformation is not readily
available. In this letter we show that parametric bijectors trained on samples
from a desired prior density provide a general-purpose method for constructing
transformations from the uniform base density to a target prior, enabling the
practical use of nested sampling under arbitrary priors. We demonstrate the use
of trained bijectors in conjunction with nested sampling on a number of
examples from cosmology.
- Abstract（参考訳）: ネストサンプリングは、パラメータ推論のための複雑な後続分布のサンプリングとモデル比較のための限界確率の計算の両方において、天文学やその他の分野でベイズ解析を行うための重要なツールである。
ネストされたサンプリングを実際に使用する技術的障害の1つは、ユニットハイパーキューブからターゲットの事前密度への双射変換の形で事前分布が提供されるという要件である。
多くのアプリケーション(特に実験の後部を他の実験の前部として使用する場合)では、そのような変換は簡単には利用できない。
本報告では, 所望の事前密度から標本に訓練されたパラメトリック・バイジェクタが, 均一な基底密度から目標事前への変換を汎用的に構築する手法を提供し, 任意の事前密度下でのネストサンプリングの実用化を可能にすることを示す。
宇宙論の例を多数挙げて, トレーニングされたビジェクターとネストサンプリングの併用を実演する。
関連論文リスト
- Low-rank Bayesian matrix completion via geodesic Hamiltonian Monte Carlo on Stiefel manifolds [0.18416014644193066]
低ランクベイズ行列の効率的な計算を可能にするための新しいサンプリングベース手法を提案する。
提案手法は, 標準ギブスサンプリング器で発生するサンプリング困難を, 行列完備化に使用される一般的な2つの行列因子化のために解決することを示す。
数値的な例は、より優れた混合と定常分布への高速収束を含む優れたサンプリング性能を示す。
論文 参考訳（メタデータ） (2024-10-27T03:12:53Z) - Unified Convergence Analysis for Score-Based Diffusion Models with Deterministic Samplers [49.1574468325115]
決定論的サンプリングのための統合収束分析フレームワークを提案する。
我々のフレームワークは$tilde O(d2/epsilon)$の反復複雑性を実現する。
また,Denoising Implicit Diffusion Models (DDIM) タイプのサンプルについて詳細な分析を行った。
論文 参考訳（メタデータ） (2024-10-18T07:37:36Z) - Online Posterior Sampling with a Diffusion Prior [20.24212000441531]
ガウス事前の文脈的包帯における後方サンプリングは、ラプラス近似を用いて正確にあるいはほぼ実施することができる。
そこで本研究では,拡散モデルを用いた文脈帯域に対する近似的な後方サンプリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-04T20:47:16Z) - 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) - Plug-and-Play split Gibbs sampler: embedding deep generative priors in
Bayesian inference [12.91637880428221]
本稿では, 後方分布から効率的にサンプリングするために, 可変分割を利用したプラグアンドプレイサンプリングアルゴリズムを提案する。
後方サンプリングの課題を2つの単純なサンプリング問題に分割する。
その性能は最近の最先端の最適化とサンプリング手法と比較される。
論文 参考訳（メタデータ） (2023-04-21T17:17:51Z) - Adaptive Sketches for Robust Regression with Importance Sampling [64.75899469557272]
我々は、勾配降下(SGD)による頑健な回帰を解くためのデータ構造を導入する。
我々のアルゴリズムは、サブ線形空間を使用し、データに1回パスするだけで、SGDの$T$ステップを重要サンプリングで効果的に実行します。
論文 参考訳（メタデータ） (2022-07-16T03:09:30Z) - Sensing Cox Processes via Posterior Sampling and Positive Bases [56.82162768921196]
本研究では,空間統計学から広く用いられている点過程の適応センシングについて検討する。
我々は、この強度関数を、特別に構築された正の基底で表される、歪んだガウス過程のサンプルとしてモデル化する。
我々の適応センシングアルゴリズムはランゲヴィン力学を用いており、後続サンプリング(textscCox-Thompson)と後続サンプリング(textscTop2)の原理に基づいている。
論文 参考訳（メタデータ） (2021-10-21T14:47:06Z) - 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) - Efficiently Sampling Functions from Gaussian Process Posteriors [76.94808614373609]
高速後部サンプリングのための簡易かつ汎用的なアプローチを提案する。
分離されたサンプルパスがガウス過程の後部を通常のコストのごく一部で正確に表現する方法を実証する。
論文 参考訳（メタデータ） (2020-02-21T14:03:16Z)
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。