論文の概要: MCMC-driven learning
- arxiv url: http://arxiv.org/abs/2402.09598v1
- Date: Wed, 14 Feb 2024 22:10:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-16 17:41:11.752800
- Title: MCMC-driven learning
- Title(参考訳): MCMCによる学習
- Authors: Alexandre Bouchard-C\^ot\'e, Trevor Campbell, Geoff Pleiss, Nikola
Surjanovic
- Abstract要約: この論文はモンテカルロのハンドブックの章として登場することを意図している。
本研究の目的はマルコフ連鎖学習の共通点における様々な問題を統一することである。
- 参考スコア(独自算出の注目度): 64.94438070592365
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper is intended to appear as a chapter for the Handbook of Markov
Chain Monte Carlo. The goal of this chapter is to unify various problems at the
intersection of Markov chain Monte Carlo (MCMC) and machine
learning$\unicode{x2014}$which includes black-box variational inference,
adaptive MCMC, normalizing flow construction and transport-assisted MCMC,
surrogate-likelihood MCMC, coreset construction for MCMC with big data, Markov
chain gradient descent, Markovian score climbing, and
more$\unicode{x2014}$within one common framework. By doing so, the theory and
methods developed for each may be translated and generalized.
- Abstract(参考訳): 本論文はマルコフ連鎖モンテカルロのハンドブックの章として現れることを目的としている。
この章の目標は、マルコフ連鎖モンテカルロ(MCMC)と機械学習$\unicode{x2014}$の交差点における様々な問題を統一することであり、これにはブラックボックスの変分推論、適応MCMC、フロー構築の正規化と輸送支援MCMC、サロゲート様のMCMC、ビッグデータによるMCMCのコアセット構築、マルコフ連鎖勾配勾配、マルコフのスコアクライミング、より多くの$\unicode{x2014}$within one common frameworkが含まれる。
これにより、それぞれの理論と手法を翻訳して一般化することができる。
関連論文リスト
- Coreset Markov Chain Monte Carlo [15.310842498680483]
コアセットの重みをチューニングするための最先端の手法は高価であり、非自明なユーザー入力を必要とし、モデルに制約を課す。
我々は,コアセットの重みを同時に更新しながら,コアセット後部を対象とするマルコフ連鎖をシミュレートする新しい手法,Coreset MCMCを提案する。
論文 参考訳(メタデータ) (2023-10-25T23:53:27Z) - Generative Flow Networks: a Markov Chain Perspective [93.9910025411313]
我々はマルコフ連鎖を用いたGFlowNetsの新しい視点を提案し、状態空間の性質に関わらずGFlowNetsの統一的な視点を示す。
GFlowNetsをMCMCメソッドと同じ理論的フレームワークに配置することで、両方のフレームワーク間の類似性も特定できます。
論文 参考訳(メタデータ) (2023-07-04T01:28:02Z) - Provable Convergence of Variational Monte Carlo Methods [4.889891507509606]
変分モンテカルロは、多体量子問題の基底状態エネルギーを計算するための有望なアプローチである。
VMCの最近のパラダイムは、実験波動関数としてニューラルネットワークを構築し、マルコフ連鎖モンテカルロ(MCMC)を用いたサンプル量子構成と勾配降下(SGD)法によるトレーニングニューラルネットワークを構築している。
VMCはサドルポイントから脱出し、$(epsilon,epsilon1/4)$-approximate 2次定常ポイントまたは少なくとも$O(epsilon-11/2log2 (1)で$(epsilon,epsilon1/4)$-epsilon1/2$-varianceポイントに達することが示されている。
論文 参考訳(メタデータ) (2023-03-19T08:29:49Z) - Knowledge Removal in Sampling-based Bayesian Inference [86.14397783398711]
単一のデータ削除要求が来ると、企業は大量のリソースで学んだモデル全体を削除する必要があるかもしれない。
既存の研究は、明示的にパラメータ化されたモデルのためにデータから学んだ知識を取り除く方法を提案する。
本稿では,MCMCのための機械学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-03-24T10:03:01Z) - Continual Repeated Annealed Flow Transport Monte Carlo [93.98285297760671]
我々はCRAFT(Continuous Repeated Annealed Flow Transport Monte Carlo)を提案する。
シーケンシャルなモンテカルロサンプリングと正規化フローを用いた変分推論を組み合わせる。
CRAFTは格子場の実例で驚くほど正確な結果が得られることを示す。
論文 参考訳(メタデータ) (2022-01-31T10:58:31Z) - Reversible Genetically Modified ModeJumping MCMC [8.981611730153546]
複雑なモデル空間における後部モデル確率を推定するために,遺伝的に修飾されたモードジャンプ型モンテカルロアルゴリズム (GMJMCMC) の可逆バージョンを導入する。
論文 参考訳(メタデータ) (2021-10-11T14:35:15Z) - MCMC-Interactive Variational Inference [56.58416764959414]
本稿では, MCMC-interactive variational inference (MIVI) を提案し, 後部を時間制約で推定する。
MIVIは変分推論とMCMCの相補的特性を利用して相互改善を促進する。
実験により、MIVIは後部を正確に近似するだけでなく、勾配MCMCとギブスサンプリング遷移の設計を容易にすることが示された。
論文 参考訳(メタデータ) (2020-10-02T17:43:20Z) - Involutive MCMC: a Unifying Framework [64.46316409766764]
iMCMCでは,幅広いMCMCアルゴリズムについて述べる。
我々は、新しいMCMCアルゴリズムを開発するための設計原則として使用できる多くのトリックを定式化する。
後者は、既知の可逆MCMCアルゴリズムをより効率的な可逆アルゴリズムに変換する2つの例で示す。
論文 参考訳(メタデータ) (2020-06-30T10:21:42Z)
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。