論文の概要: Lagrangian Manifold Monte Carlo on Monge Patches
- arxiv url: http://arxiv.org/abs/2202.00755v1
- Date: Tue, 1 Feb 2022 21:01:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-03 13:43:19.308901
- Title: Lagrangian Manifold Monte Carlo on Monge Patches
- Title(参考訳): モンジュパッチ上のラグランジュ多様体モンテカルロ
- Authors: Marcelo Hartmann and Mark Girolami and Arto Klami
- Abstract要約: この計量でラグランジアンモンテカルロがターゲット分布を効率的に探索する方法を示す。
我々の計量は1次情報しか必要とせず、高速な逆行列式と行列式を持つ。
- 参考スコア(独自算出の注目度): 5.586191108738564
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The efficiency of Markov Chain Monte Carlo (MCMC) depends on how the
underlying geometry of the problem is taken into account. For distributions
with strongly varying curvature, Riemannian metrics help in efficient
exploration of the target distribution. Unfortunately, they have significant
computational overhead due to e.g. repeated inversion of the metric tensor, and
current geometric MCMC methods using the Fisher information matrix to induce
the manifold are in practice slow. We propose a new alternative Riemannian
metric for MCMC, by embedding the target distribution into a higher-dimensional
Euclidean space as a Monge patch and using the induced metric determined by
direct geometric reasoning. Our metric only requires first-order gradient
information and has fast inverse and determinants, and allows reducing the
computational complexity of individual iterations from cubic to quadratic in
the problem dimensionality. We demonstrate how Lagrangian Monte Carlo in this
metric efficiently explores the target distributions.
- Abstract(参考訳): マルコフ連鎖モンテカルロ(mcmc)の効率は、問題の基本的な形状をどのように考慮するかに依存する。
強い曲率を持つ分布に対して、リーマン計量はターゲット分布の効率的な探索に役立つ。
残念なことに、計量テンソルの繰り返し反転による計算上のオーバーヘッドが大きく、フィッシャー情報行列を用いて多様体を誘導する現在の幾何学的mcmc法は実際には遅い。
対象分布を高次元ユークリッド空間にモンジュパッチとして埋め込み,直接幾何学的推論によって決定される誘導計量を用いることにより,mcmc の新たなリーマン計量を提案する。
我々の計量は1次勾配情報のみを必要とし、高速な逆行列と行列式を持ち、問題次元における個々の反復の計算複雑性を3次から2次に減らすことができる。
この計量でラグランジアンモンテカルロがターゲット分布を効率的に探索する方法を実証する。
関連論文リスト
- Randomized Physics-Informed Machine Learning for Uncertainty
Quantification in High-Dimensional Inverse Problems [49.1574468325115]
本研究では,高次元逆問題における不確実性定量化のための物理インフォームド機械学習手法を提案する。
我々は解析的に、そして、ハミルトン・モンテカルロとの比較を通して、rPICKLE はベイズ則によって与えられる真の後続に収束することを示す。
論文 参考訳(メタデータ) (2023-12-11T07:33:16Z) - Intrinsic Bayesian Cramér-Rao Bound with an Application to Covariance Matrix Estimation [49.67011673289242]
本稿では, 推定パラメータが滑らかな多様体内にある推定問題に対して, 新たな性能境界を提案する。
これはパラメータ多様体の幾何学と推定誤差測度の本質的な概念を誘導する。
論文 参考訳(メタデータ) (2023-11-08T15:17:13Z) - Object based Bayesian full-waveform inversion for shear elastography [0.0]
組織中の異常画像のせん断エラストグラフィーにおける不確かさを定量化する計算手法を開発した。
パラメータフィールドの後方確率は異常の幾何とそのせん断率を表わす。
滑らかで不規則な形状の合成2次元試験に対するアプローチを実証する。
論文 参考訳(メタデータ) (2023-05-11T08:25:25Z) - Gaussian process regression and conditional Karhunen-Lo\'{e}ve models
for data assimilation in inverse problems [68.8204255655161]
偏微分方程式モデルにおけるデータ同化とパラメータ推定のためのモデル逆アルゴリズムCKLEMAPを提案する。
CKLEMAP法は標準的なMAP法に比べてスケーラビリティがよい。
論文 参考訳(メタデータ) (2023-01-26T18:14:12Z) - Convergence of Dirichlet Forms for MCMC Optimal Scaling with Dependent Target Distributions on Large Graphs [1.2419096638953384]
マルコフ連鎖モンテカルロ(MCMC)アルゴリズムは統計学、物理学、機械学習などにおいて重要な役割を果たしている。
最も古典的なMCMCアルゴリズムであるランダムウォーク・メトロポリス(RWM)アルゴリズムは、科学と工学の発展と実践に大きな影響を与えた。
本稿では,ダイリクレ形式のモスコ収束を利用して,大グラフ上のRWMアルゴリズムを解析する。
論文 参考訳(メタデータ) (2022-10-31T03:41:17Z) - Robust Geometric Metric Learning [17.855338784378]
本稿では,計量学習問題に対する新しいアルゴリズムを提案する。
その後、Robust Geometric Metric Learning (RGML)と呼ばれる一般的な手法が研究される。
RGMLのパフォーマンスは、実際のデータセット上で保証される。
論文 参考訳(メタデータ) (2022-02-23T14:55:08Z) - 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) - Geometric variational inference [0.0]
変分推論 (VI) またはマルコフ・チェイン・モンテカルロ (MCMC) 技術は点推定を超えて用いられる。
本研究は,リーマン幾何学とフィッシャー情報量に基づく幾何学的変分推論(geoVI)を提案する。
変換によって誘導される座標系で表される分布は、特に単純であり、正確な変分近似を可能にする。
論文 参考訳(メタデータ) (2021-05-21T17:18:50Z) - Annealed Flow Transport Monte Carlo [91.20263039913912]
Annealed Flow Transport (AFT) built on Annealed Importance Smpling (AIS) and Sequential Monte Carlo (SMC)
AFTは、連続したターゲットに向かって粒子をプッシュするために順次学習されるNFに依存します。
AFTの人口バージョンの連続時間スケーリング限界は、Feynman--Kac測度によって与えられることを示した。
論文 参考訳(メタデータ) (2021-02-15T12:05:56Z) - Bayesian Quadrature on Riemannian Data Manifolds [79.71142807798284]
データに固有の非線形幾何学構造をモデル化する原則的な方法が提供される。
しかし、これらの演算は通常計算的に要求される。
特に、正規法則上の積分を数値計算するためにベイズ二次(bq)に焦点を当てる。
先行知識と活発な探索手法を両立させることで,BQは必要な評価回数を大幅に削減できることを示す。
論文 参考訳(メタデータ) (2021-02-12T17:38:04Z) - 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)
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。