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

• AutoStep: Locally adaptive involutive MCMC [51.186543293659376]
  AutoStep MCMCは、ターゲット分布の局所幾何学に適合したイテレーション毎に適切なステップサイズを選択する。 本稿では,AutoStep MCMCが,単位コスト当たりの有効サンプルサイズの観点から,最先端の手法と競合することを示す。
  論文  参考訳（メタデータ） (2024-10-24T17:17:11Z)
• Scalable Monte Carlo for Bayesian Learning [9.510897794182082]
  この本は、マルコフ連鎖モンテカルロ(MCMC)アルゴリズムにおける高度なトピックに関する大学院レベルの紹介を提供することを目的としている。 これらのトピックのほとんどは、最近10年ほど前に現れており、この分野ではかなりの実践的、理論的進歩を導いてきた。 特に注目されているのは、データ量、あるいはデータ次元に関してスケーラブルな方法である。
  論文  参考訳（メタデータ） (2024-07-17T17:19:56Z)
• Convergence Bounds for Sequential Monte Carlo on Multimodal Distributions using Soft Decomposition [6.872242798058046]
  逐次モンテカルロ法(SMC)アルゴリズムにより得られたサンプルの実証測度の下での関数の分散に関するバウンダリを証明した。 我々は,局所MCMC力学に依存する混合時間を用いて,真のマルチモーダル設定でバウンダリが得られることを示す。
  論文  参考訳（メタデータ） (2024-05-29T22:43:45Z)
• 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)
• 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)
• 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。