論文の概要: Wasserstein distance estimates for the distributions of numerical
approximations to ergodic stochastic differential equations
- arxiv url: http://arxiv.org/abs/2104.12384v1
- Date: Mon, 26 Apr 2021 07:50:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-27 14:47:50.857088
- Title: Wasserstein distance estimates for the distributions of numerical
approximations to ergodic stochastic differential equations
- Title(参考訳): エルゴード確率微分方程式に対する数値近似の分布に対するワッサーシュタイン距離推定
- Authors: J.M. Sanz-Serna, Konstantinos C. Zygalakis
- Abstract要約: エルゴード微分方程式のイン分布と強い対数凸の場合の分布との間のワッサースタイン距離について検討した。
これにより、過減衰および過減衰ランジュバン力学の文献で提案されている多くの異なる近似を統一的に研究することができる。
- 参考スコア(独自算出の注目度): 0.3553493344868413
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a framework that allows for the non-asymptotic study of the
$2$-Wasserstein distance between the invariant distribution of an ergodic
stochastic differential equation and the distribution of its numerical
approximation in the strongly log-concave case. This allows us to study in a
unified way a number of different integrators proposed in the literature for
the overdamped and underdamped Langevin dynamics. In addition, we analyse a
novel splitting method for the underdamped Langevin dynamics which only
requires one gradient evaluation per time step. Under an additional smoothness
assumption on a $d$--dimensional strongly log-concave distribution with
condition number $\kappa$, the algorithm is shown to produce with an
$\mathcal{O}\big(\kappa^{5/4} d^{1/4}\epsilon^{-1/2} \big)$ complexity samples
from a distribution that, in Wasserstein distance, is at most $\epsilon>0$ away
from the target distribution.
- Abstract(参考訳): 本稿では、エルゴード確率微分方程式の不変分布と、強対数対数の場合の数値近似の分布との間の2ドルワッサーシュタイン距離の非漸近的な研究を可能にする枠組みを提案する。
これにより、過度に損傷されたランゲヴィン力学の文献で提案された多くの異なる積分器を統一的に研究することができる。
さらに, 時間ステップ毎に1段階のみの勾配評価を行うランジュバン動力学の新しい分割法を解析した。
条件番号 $\kappa$ を持つ$d$-次元の強い対数凸分布に対する追加の滑らかさ仮定の下で、このアルゴリズムは、ターゲット分布から最大 $\epsilon>0$ であるような分布から、$\mathcal{o}\big(\kappa^{5/4} d^{1/4}\epsilon^{-1/2} \big)$ の複雑性サンプルを生成する。
関連論文リスト
- Near Minimax-Optimal Distributional Temporal Difference Algorithms and The Freedman Inequality in Hilbert Spaces [24.03281329962804]
我々は,非パラメトリック分布型TDアルゴリズム (NTD) を$gamma$-discounted infinite-horizon Markov決定プロセスに対して提案する。
我々はヒルベルト空間における新しいフリードマンの不等式を確立し、これは独立な関心事である。
論文 参考訳(メタデータ) (2024-03-09T06:19:53Z) - Correction to "Wasserstein distance estimates for the distributions of
numerical approximations to ergodic stochastic differential equations" [1.2691047660244337]
Wasserstein-2距離におけるエルゴードSDEの数値離散化の非漸近的保証を解析する方法を示す。
論文 参考訳(メタデータ) (2024-02-13T18:31:55Z) - Symmetric Mean-field Langevin Dynamics for Distributional Minimax
Problems [78.96969465641024]
平均場ランゲヴィンのダイナミクスを、対称で証明可能な収束した更新で、初めて確率分布に対する最小の最適化に拡張する。
また,時間と粒子の離散化機構について検討し,カオス結果の新たな均一時間伝播を証明した。
論文 参考訳(メタデータ) (2023-12-02T13:01:29Z) - Mean-Square Analysis with An Application to Optimal Dimension Dependence
of Langevin Monte Carlo [60.785586069299356]
この研究は、2-ワッサーシュタイン距離におけるサンプリング誤差の非同相解析のための一般的な枠組みを提供する。
我々の理論解析は数値実験によってさらに検証される。
論文 参考訳(メタデータ) (2021-09-08T18:00:05Z) - Lattice partition recovery with dyadic CART [79.96359947166592]
我々は、$d$次元格子上の加法ガウス雑音によって破損したピースワイド定値信号について検討する。
この形式のデータは、多くのアプリケーションで自然に発生し、統計処理や信号処理の文献において、信号の検出やテスト、ノイズの除去、推定といったタスクが広く研究されている。
本稿では,未知の信号の一貫性領域によって誘導される格子の分割を推定する,分割回復の問題について考察する。
我々は、DCARTベースの手順が、下位分割を$sigma2 k*の順序で一貫して推定することを証明した。
論文 参考訳(メタデータ) (2021-05-27T23:41:01Z) - Faster Convergence of Stochastic Gradient Langevin Dynamics for
Non-Log-Concave Sampling [110.88857917726276]
我々は,非log-concaveとなる分布のクラスからサンプリングするために,勾配ランゲヴィンダイナミクス(SGLD)の新たな収束解析を行う。
我々のアプローチの核心は、補助的時間反転型マルコフ連鎖を用いたSGLDのコンダクタンス解析である。
論文 参考訳(メタデータ) (2020-10-19T15:23:18Z) - On the cost of Bayesian posterior mean strategy for log-concave models [0.0]
本稿では,Langevin Monte-Carlo型近似を用いたベイズ推定器の計算問題を考察する。
モデルの基礎となるポアンカー定数に関連するいくつかの統計的境界を確立する。
我々は、(過減衰)ランゲヴィン拡散のオイラースキームのセサロ平均によるギブズ測度の数値近似に関する新しい結果を確立する。
論文 参考訳(メタデータ) (2020-10-08T04:51:10Z) - Sample Complexity of Asynchronous Q-Learning: Sharper Analysis and
Variance Reduction [63.41789556777387]
非同期Q-ラーニングはマルコフ決定過程(MDP)の最適行動値関数(またはQ-関数)を学習することを目的としている。
Q-関数の入出力$varepsilon$-正確な推定に必要なサンプルの数は、少なくとも$frac1mu_min (1-gamma)5varepsilon2+ fract_mixmu_min (1-gamma)$の順である。
論文 参考訳(メタデータ) (2020-06-04T17:51:00Z) - A diffusion approach to Stein's method on Riemannian manifolds [65.36007959755302]
我々は、ターゲット不変測度を持つ$mathbf M$上の拡散の生成元と、その特徴付けStein演算子との関係を利用する。
我々は、スタイン方程式とその微分に解を束縛するスタイン因子を導出する。
我々は、$mathbf M$ が平坦多様体であるとき、$mathbb Rm$ の有界が有効であることを暗示する。
論文 参考訳(メタデータ) (2020-03-25T17:03:58Z)
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。