論文の概要: Variance Reduction of Resampling for Sequential Monte Carlo

• arxiv url: http://arxiv.org/abs/2309.08620v1
• Date: Sun, 10 Sep 2023 17:25:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-24 04:14:58.724021
• Title: Variance Reduction of Resampling for Sequential Monte Carlo
• Title（参考訳）: 連続モンテカルロにおけるリサンプリングのばらつき低減
• Authors: Xiongming Dai and Gerald Baumgartner
• Abstract要約: 再サンプリング方式は、シーケンシャルモンテカルロの低重量粒子を目標分布を表す高重量粒子に切り替える方法を提供する。 そこで本研究では,再サンプリングのための中央値エルゴディディティを持つ反復的決定論的領域を提案し,他の再サンプリング手法と比較して最も低い分散を実現した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A resampling scheme provides a way to switch low-weight particles for sequential Monte Carlo with higher-weight particles representing the objective distribution. The less the variance of the weight distribution is, the more concentrated the effective particles are, and the quicker and more accurate it is to approximate the hidden Markov model, especially for the nonlinear case. We propose a repetitive deterministic domain with median ergodicity for resampling and have achieved the lowest variances compared to the other resampling methods. As the size of the deterministic domain $M\ll N$ (the size of population), given a feasible size of particles, our algorithm is faster than the state of the art, which is verified by theoretical deduction and experiments of a hidden Markov model in both the linear and non-linear cases.
• Abstract（参考訳）: 再サンプリング方式は、シーケンシャルモンテカルロの低重量粒子を目標分布を表す高重量粒子に切り替える方法を提供する。 重量分布のばらつきが小さいほど、有効粒子がより集中しやすくなり、特に非線形の場合において隠れマルコフモデルを近似することがより速くより正確になる。 本研究では, 反復的決定性ドメインを, 平均的エルゴディシティで再サンプリングし, 他の再サンプリング法と比較して, 最小の分散を達成した。 決定論的領域である$M\ll N$(集団の大きさ)の粒子の大きさが与えられた場合、我々のアルゴリズムは、理論的な推論と線形および非線型のケースにおける隠れマルコフモデルの実験により検証される技術の状態よりも高速である。

関連論文リスト

• Persistent Sampling: Unleashing the Potential of Sequential Monte Carlo [0.0]
  逐次モンテカルロ法の拡張であるパーシステンスサンプリング(PS)を導入する。 PSは、繰り返しに分散する粒子の増大し重み付けされたアンサンブルを生成する。 PSは標準手法を一貫して上回り、後部モーメント推定において低い2乗バイアスを達成する。
  論文  参考訳（メタデータ） (2024-07-30T10:34:40Z)
• Chebyshev Particles [0.0]
  まず、対象の後方分布を無限次元ユークリッド空間におけるサンプルの写像として考える。 重み付けされたリース分極量を最大化して、ペアの相互作用により、補正可能な部分多様体を識別する新しい基準を提案する。 我々は,合成データを用いた線形状態空間モデルと実世界のデータを用いた非線形ボラティリティモデルを用いたパラメータ推論実験により,高い性能を実現した。
  論文  参考訳（メタデータ） (2023-09-10T16:40:30Z)
• Noise-Free Sampling Algorithms via Regularized Wasserstein Proximals [3.4240632942024685]
  ポテンシャル関数が支配する分布からサンプリングする問題を考察する。 本研究は, 決定論的な楽譜に基づくMCMC法を提案し, 粒子に対する決定論的進化をもたらす。
  論文  参考訳（メタデータ） (2023-08-28T23:51:33Z)
• Statistically Optimal Generative Modeling with Maximum Deviation from the Empirical Distribution [2.1146241717926664]
  本稿では, 左非可逆なプッシュフォワード写像に制約されたワッサーシュタインGANが, 複製を回避し, 経験的分布から著しく逸脱する分布を生成することを示す。 我々の最も重要な寄与は、生成分布と経験的分布の間のワッサーシュタイン-1距離の有限サンプル下界を与える。 また、生成分布と真のデータ生成との距離に有限サンプル上限を確立する。
  論文  参考訳（メタデータ） (2023-07-31T06:11:57Z)
• Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
  教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。 我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。 対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
  論文  参考訳（メタデータ） (2023-02-10T08:05:19Z)
• Unsupervised Learning of Sampling Distributions for Particle Filters [80.6716888175925]
  観測結果からサンプリング分布を学習する4つの方法を提案する。 実験により、学習されたサンプリング分布は、設計された最小縮退サンプリング分布よりも優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2023-02-02T15:50:21Z)
• Sampling with Mollified Interaction Energy Descent [57.00583139477843]
  モーフィファイド相互作用エネルギー降下(MIED)と呼ばれる新しい最適化に基づくサンプリング手法を提案する。 MIEDは、モル化相互作用エネルギー(MIE)と呼ばれる確率測度に関する新しいクラスのエネルギーを最小化する 我々は,制約のないサンプリング問題に対して,我々のアルゴリズムがSVGDのような既存の粒子ベースアルゴリズムと同等に動作することを示す。
  論文  参考訳（メタデータ） (2022-10-24T16:54:18Z)
• How Much is Enough? A Study on Diffusion Times in Score-based Generative Models [76.76860707897413]
  現在のベストプラクティスは、フォワードダイナミクスが既知の単純なノイズ分布に十分に近づくことを確実にするために大きなTを提唱している。 本稿では, 理想とシミュレーションされたフォワードダイナミクスのギャップを埋めるために補助モデルを用いて, 標準的な逆拡散過程を導出する方法について述べる。
  論文  参考訳（メタデータ） (2022-06-10T15:09:46Z)
• Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
  正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。 一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
  論文  参考訳（メタデータ） (2022-02-23T06:11:49Z)
• Unrolling Particles: Unsupervised Learning of Sampling Distributions [102.72972137287728]
  粒子フィルタリングは複素系の優れた非線形推定を計算するために用いられる。 粒子フィルタは様々なシナリオにおいて良好な推定値が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-06T16:58:34Z)

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。