論文の概要: elhmc: An R Package for Hamiltonian Monte Carlo Sampling in Bayesian Empirical Likelihood

• arxiv url: http://arxiv.org/abs/2209.01289v1
• Date: Fri, 2 Sep 2022 22:22:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-07 15:14:08.796530
• Title: elhmc: An R Package for Hamiltonian Monte Carlo Sampling in Bayesian Empirical Likelihood
• Title（参考訳）: elhmc:ベイズ経験的確率によるハミルトンモンテカルロサンプリングのためのrパッケージ
• Authors: Dang Trung Kien and Neo Han Wei and Sanjay Chaudhuri
• Abstract要約: ハミルトニアン・カルロ法による経験的可能性ベース後部からのサンプルパッケージについて述べる。 MCMCサンプルは、パラメータのBayesEL後部から引き出され、ユーザによって様々な詳細が要求される。
• 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: In this article, we describe a {\tt R} package for sampling from an empirical likelihood-based posterior using a Hamiltonian Monte Carlo method. Empirical likelihood-based methodologies have been used in Bayesian modeling of many problems of interest in recent times. This semiparametric procedure can easily combine the flexibility of a non-parametric distribution estimator together with the interpretability of a parametric model. The model is specified by estimating equations-based constraints. Drawing an inference from a Bayesian empirical likelihood (BayesEL) posterior is challenging. The likelihood is computed numerically, so no closed expression of the posterior exists. Moreover, for any sample of finite size, the support of the likelihood is non-convex, which hinders the fast mixing of many Markov Chain Monte Carlo (MCMC) procedures. It has been recently shown that using the properties of the gradient of log empirical likelihood, one can devise an efficient Hamiltonian Monte Carlo (HMC) algorithm to sample from a BayesEL posterior. The package requires the user to specify only the estimating equations, the prior, and their respective gradients. An MCMC sample drawn from the BayesEL posterior of the parameters, with various details required by the user is obtained.
• Abstract（参考訳）: 本稿では,ハミルトニアンモンテカルロ法を用いて,経験的確率に基づく後方からのサンプリングのための {\tt r} パッケージについて述べる。 経験的可能性に基づく方法論は、近年の多くの関心のある問題のベイズ的モデリングに用いられている。 この半パラメトリック手法は、非パラメトリック分布推定器の柔軟性とパラメトリックモデルの解釈可能性を簡単に組み合わせることができる。 モデルは方程式に基づく制約を推定することによって特定される。 ベイズ経験的可能性 (BayesEL) から推論するのは難しい。 確率は数値的に計算されるので、後部の閉じた表現は存在しない。 さらに、有限サイズの任意のサンプルに対して、可能性の支持は非凸であり、多くのマルコフ・チェイン・モンテカルロ(MCMC)手順の高速な混合を妨げる。 最近、対数経験的確率の勾配の特性を用いて、ベイズエルの後部からサンプリングするために効率的なハミルトニアンモンテカルロ(HMC)アルゴリズムを考案できることが示されている。 パッケージには、推定方程式、前者、およびそれぞれの勾配のみを指定する必要がある。 パラメータのBayesEL後部から引き出されたMCMCサンプルを、使用者が必要とする様々な詳細を得る。

関連論文リスト

• von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
  円値ランダム関数上の表現的および解釈可能な分布の族を探索する。 結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。 後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
  論文  参考訳（メタデータ） (2024-06-19T01:57:21Z)
• Gaussian Process Regression with Soft Inequality and Monotonicity Constraints [0.0]
  確率的手法で物理制約を強制する新しいGP法を提案する。 このGPモデルは量子に着想を得たハミルトンモンテカルロ(QHMC)によって訓練される
  論文  参考訳（メタデータ） (2024-04-03T17:09:25Z)
• Unbiased Kinetic Langevin Monte Carlo with Inexact Gradients [0.8749675983608172]
  動力学的ランゲヴィンダイナミクスに基づく後進手段の非バイアス化手法を提案する。 提案した推定器は偏りがなく、有限分散となり、中心極限定理を満たす。 以上の結果から、大規模アプリケーションでは、非バイアスアルゴリズムは「ゴールドスタンダード」なハミルトニアン・モンテカルロよりも2～3桁効率が良いことが示された。
  論文  参考訳（メタデータ） (2023-11-08T21:19:52Z)
• Probabilistic Unrolling: Scalable, Inverse-Free Maximum Likelihood Estimation for Latent Gaussian Models [69.22568644711113]
  我々は,モンテカルロサンプリングと反復線形解法を組み合わせた確率的アンローリングを導入し,行列逆転を回避した。 理論的解析により,解法の繰り返しによる解法の解法と逆転が最大値推定の勾配推定を高速化することを示した。 シミュレーションおよび実データ実験において、確率的アンロールは、モデル性能の損失を最小限に抑えながら、勾配EMよりも桁違いに高速な潜在ガウスモデルを学習することを示した。
  論文  参考訳（メタデータ） (2023-06-05T21:08:34Z)
• 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)
• A Two-step Metropolis Hastings Method for Bayesian Empirical Likelihood Computation with Application to Bayesian Model Selection [0.0]
  マルコフ連鎖の後部からサンプリングする2段階可逆モンテカルロアルゴリズムを提案する。 また、経験的可能性について議論し、2段階可逆モンテカルロアルゴリズムをジャンプチェーン手順に拡張し、その結果の集合からサンプリングする。
  論文  参考訳（メタデータ） (2022-09-02T20:40:21Z)
• Low-variance estimation in the Plackett-Luce model via quasi-Monte Carlo sampling [58.14878401145309]
  PLモデルにおいて,より標本効率の高い予測値を生成するための新しい手法を開発した。 Amazon MusicのリアルなレコメンデーションデータとYahooの学習からランクへの挑戦を理論的にも実証的にも使用しています。
  論文  参考訳（メタデータ） (2022-05-12T11:15:47Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• A fast asynchronous MCMC sampler for sparse Bayesian inference [10.535140830570256]
  本稿では,非常に高速なマルコフ・チェイン・モンテカルロ(MCMC)サンプリングフレームワークを提案する。 本研究では, 高次元線形回帰問題において, 提案アルゴリズムで生成したマルコフ連鎖は, 主信号の正確な復元を行う不変分布を持つことを示す。
  論文  参考訳（メタデータ） (2021-08-14T02:20:49Z)
• 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)
• Distributed, partially collapsed MCMC for Bayesian Nonparametrics [68.5279360794418]
  ディリクレ法やベータ・ベルヌーリ法のようなモデルでよく用いられる完全無作為測度は独立な部分測度に分解可能であるという事実を利用する。 この分解を用いて、潜在測度を、インスタンス化された成分のみを含む有限測度と、他のすべての成分を含む無限測度に分割する。 得られたハイブリッドアルゴリズムは、収束保証を犠牲にすることなくスケーラブルな推論を可能にすることができる。
  論文  参考訳（メタデータ） (2020-01-15T23:10:13Z)

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。