論文の概要: Stereographic Multi-Try Metropolis Algorithms for Heavy-tailed Sampling
- arxiv url: http://arxiv.org/abs/2505.12487v1
- Date: Sun, 18 May 2025 16:21:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-20 14:57:11.261463
- Title: Stereographic Multi-Try Metropolis Algorithms for Heavy-tailed Sampling
- Title（参考訳）: 重み付きサンプリングのためのステレオマルチトリメトロポリスアルゴリズム
- Authors: Zhihao Wang, Jun Yang,
- Abstract要約: 本稿では、重み付きターゲットからの効率的なサンプリングのための、勾配のないMCMCアルゴリズムの新たなファミリを紹介する。
提案手法は, 従来のユークリッドMTMと既存の立体ランダムウォークMetropolis法に勝るだけでなく, MTMでよく見られる病理収束挙動を回避している。
- 参考スコア（独自算出の注目度）: 12.33700036009002
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Markov chain Monte Carlo (MCMC) methods for sampling from heavy-tailed distributions present unique challenges, particularly in high dimensions. Multi-proposal MCMC algorithms have recently gained attention for their potential to improve performance, especially through parallel implementation on modern hardware. This paper introduces a novel family of gradient-free MCMC algorithms that combine the multi-try Metropolis (MTM) with stereographic MCMC framework, specifically designed for efficient sampling from heavy-tailed targets. The proposed stereographic multi-try Metropolis (SMTM) algorithm not only outperforms traditional Euclidean MTM and existing stereographic random-walk Metropolis methods, but also avoids the pathological convergence behavior often observed in MTM and demonstrates strong robustness to tuning. These properties are supported by scaling analysis and extensive simulation studies.
- Abstract（参考訳）: 重い尾の分布からサンプリングするマルコフ連鎖モンテカルロ法(MCMC)は、特に高次元において固有の課題を示す。
マルチプロモーサルMCMCアルゴリズムは、特に現代のハードウェア上での並列実装により、性能向上の可能性に注目されている。
本稿では,MTM(Multi-try Metropolis)とステレオグラフィックMCMCフレームワークを組み合わせた,勾配のないMCMCアルゴリズムの新たなファミリを紹介する。
提案手法は, 従来のユークリッドMTMと既存の立体ランダムウォークMetropolis法に勝るだけでなく, MTMでよく見られる病的収束挙動を回避し, チューニングに強い堅牢性を示す。
これらの性質は、スケーリング分析と広範なシミュレーション研究によって支持されている。
関連論文リスト
- Accelerating MCMC with Quantum Walks: Design, Implementation, and Results [3.004066195320147]
本稿では、離散量子ウォーク(DQW)アルゴリズムに基づく新しいMCMCアルゴリズムの設計と実装について述べる。
量子重ね合わせを利用してターゲット分布の構造を効果的に捉えることを実証する。
さらに,コンバージェンス速度を大幅に向上する回路拡張を導入し,アルゴリズムのスケーラビリティを向上する。
論文 参考訳（メタデータ） (2025-04-16T13:53:32Z) - Parameter Expanded Stochastic Gradient Markov Chain Monte Carlo [32.46884330460211]
グラディエント・マルコフ・チェイン・モンテカルロにおけるサンプルの多様性を高めるための単純かつ効果的な手法を提案する。
このアプローチはより多様なサンプルセットを生成し、同じ計算予算内でより高速な混合を可能にする。
OODのロバスト性,多様性,損失面の解析,ハミルトン・モンテカルロとの比較などの画像分類に関する実験は,提案手法の優位性を実証している。
論文 参考訳（メタデータ） (2025-03-02T02:42:50Z) - 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) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - Learning Energy-Based Prior Model with Diffusion-Amortized MCMC [89.95629196907082]
非収束短距離MCMCを用いた事前及び後方サンプリングによる潜時空間EMM学習の一般的な実践は、さらなる進歩を妨げている。
本稿では,MCMCサンプリングのための単純だが効果的な拡散型アモータイズ手法を導入し,それに基づく潜時空間EMMのための新しい学習アルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-10-05T00:23:34Z) - Large AI Model Empowered Multimodal Semantic Communications [48.73159237649128]
本稿では,Large AI Model-based Multimodal SC (LAMMSC) フレームワークを提案する。
まず、条件付きマルチモーダルアライメント(MMA)を提案し、マルチモーダルデータと非モーダルデータ間の変換を可能にする。
次に、パーソナライズされたLLMベースの知識ベース(LKB)を提案し、ユーザがパーソナライズされたセマンティック抽出やリカバリを行うことができる。
最後に,CGE(Generative Adversarial Network-based Channel Estimation)を用いて,無線チャネルの状態情報を推定する。
論文 参考訳（メタデータ） (2023-09-03T19:24:34Z) - Masked Trajectory Models for Prediction, Representation, and Control [80.70110948655028]
Masked Trajectory Models (MTM) はシーケンシャルな意思決定のための一般的な抽象化である。
MTMは、異なる役割や能力を担える多用途ネットワークを学ぶ。
MTMネットワークは、前述の能力のために訓練された特殊なネットワークにマッチまたは性能を向上することができる。
論文 参考訳（メタデータ） (2023-05-04T16:12:19Z) - Improving multiple-try Metropolis with local balancing [0.0]
MTM(Multi-try Metropolis)はマルコフ連鎖モンテカルロ法である。
我々は,この重み関数が高次元の病理行動を引き起こすことを理論的にも経験的にも示している。
そこで本稿では,Zanella (2020) の局所平衡分布に類似した重み関数の利用を提案する。
論文 参考訳（メタデータ） (2022-11-21T16:14:17Z) - 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) - Accelerating MCMC algorithms through Bayesian Deep Networks [7.054093620465401]
マルコフ・チェイン・モンテカルロ(MCMC)アルゴリズムは、複雑な確率分布のサンプリングにおいて、その汎用性のために一般的に用いられる。
分布の次元が大きくなるにつれて、サンプリング空間を十分に探索する計算コストが困難になる。
マルコフ連鎖の最初の提案としてベイズニューラルネットワークの結果を用いて適応MCMCを実行する方法を示す。
論文 参考訳（メタデータ） (2020-11-29T04:29:00Z) - 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。