論文の概要: Entropic Mirror Monte Carlo

• arxiv url: http://arxiv.org/abs/2602.03165v1
• Date: Tue, 03 Feb 2026 06:32:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.285079
• Title: Entropic Mirror Monte Carlo
• Title（参考訳）: エントロピックミラーのモンテカルロ
• Authors: Anas Cherradi, Yazid Janati, Alain Durmus, Sylvain Le Corff, Yohan Petetin, Julien Stoehr,
• Abstract要約: 本稿では,効率的な提案分布構築のための新しい適応手法を提案する。 提案アルゴリズムは,グローバルサンプリング機構と遅延重み付け手法を組み合わせることで,目標分布の効率的な探索を促進する。
• 参考スコア（独自算出の注目度）: 15.556187883029937
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Importance sampling is a Monte Carlo method which designs estimators of expectations under a target distribution using weighted samples from a proposal distribution. When the target distribution is complex, such as multimodal distributions in highdimensional spaces, the efficiency of importance sampling critically depends on the choice of the proposal distribution. In this paper, we propose a novel adaptive scheme for the construction of efficient proposal distributions. Our algorithm promotes efficient exploration of the target distribution by combining global sampling mechanisms with a delayed weighting procedure. The proposed weighting mechanism plays a key role by enabling rapid resampling in regions where the proposal distribution is poorly adapted to the target. Our sampling algorithm is shown to be geometrically convergent under mild assumptions and is illustrated through various numerical experiments.
• Abstract（参考訳）: 重要サンプリングはモンテカルロ法であり、提案分布からの重み付きサンプルを用いて、目標分布下での期待値の推定を設計する。 高次元空間におけるマルチモーダル分布のような対象分布が複雑である場合、重要サンプリングの効率は提案分布の選択に大きく依存する。 本稿では,効率的な提案分布構築のための新しい適応手法を提案する。 提案アルゴリズムは,グローバルサンプリング機構と遅延重み付け手法を組み合わせることで,目標分布の効率的な探索を促進する。 提案する重み付け機構は,提案分布がターゲットに不適応な領域において,迅速な再サンプリングを可能にすることで重要な役割を担っている。 サンプリングアルゴリズムは, 微妙な仮定で幾何学的に収束していることが示され, 様々な数値実験を通して説明される。

関連論文リスト

• Enhanced Importance Sampling through Latent Space Exploration in Normalizing Flows [69.8873421870522]
  重要サンプリングはモンテカルロシミュレーションで使われる稀な事象シミュレーション手法である。 正規化フローの潜在空間における提案分布を更新し,より効率的なサンプリング法を提案する。
  論文  参考訳（メタデータ） (2025-01-06T21:18:02Z)
• Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
  本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。 我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。 シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
  論文  参考訳（メタデータ） (2024-01-29T02:08:40Z)
• Score-Based Diffusion meets Annealed Importance Sampling [89.92133671626327]
  Annealed Importance Smpling はいまだに限界推定の最も効果的な方法の1つである。 我々は、スコアベース生成モデルにおける最近の進歩を活用し、AIS提案の最適拡張目標分布を近似する。
  論文  参考訳（メタデータ） (2022-08-16T12:13:29Z)
• Sampling from Discrete Energy-Based Models with Quality/Efficiency Trade-offs [3.491202838583993]
  エネルギーベースモデル(EBM)は、確率分布の非常に柔軟な仕様を可能にする。 これらの分布から正確なサンプルを得るためのメカニズムは提供されていない。 そこで本研究では,サンプリング効率とサンプリング品質のトレードオフを可能にする,新しい近似サンプリング手法であるQuasi Rejection Smpling (QRS)を提案する。
  論文  参考訳（メタデータ） (2021-12-10T17:51:37Z)
• LSB: Local Self-Balancing MCMC in Discrete Spaces [2.385916960125935]
  本研究は、純粋に離散的な領域におけるサンプリング効率を向上させるために、機械学習を用いて提案された分布をターゲットに適応させることを検討する。 得られたサンプルをLSB(Locally Self-Balancing Sampler)と呼ぶ。
  論文  参考訳（メタデータ） (2021-09-08T18:31:26Z)
• A Neural Network MCMC sampler that maximizes Proposal Entropy [3.4698840925433765]
  ニューラルネットワークでサンプルを増強することで、効率が向上する可能性がある。 我々のネットワークアーキテクチャは、ターゲット分布の勾配を利用して提案を生成する。 適応型サンプリング器はランゲヴィン力学サンプリング器よりもはるかに高い提案エントロピーで非バイアスサンプリングを実現する。
  論文  参考訳（メタデータ） (2020-10-07T18:01:38Z)
• Distributionally Robust Bayesian Quadrature Optimization [60.383252534861136]
  確率分布が未知な分布の不確実性の下でBQOについて検討する。 標準的なBQOアプローチは、固定されたサンプル集合が与えられたときの真の期待目標のモンテカルロ推定を最大化する。 この目的のために,新しい後方サンプリングに基づくアルゴリズム,すなわち分布的に堅牢なBQO(DRBQO)を提案する。
  論文  参考訳（メタデータ） (2020-01-19T12:00:33Z)

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。