論文の概要: FLARE MCMC: Fidelity-based Layer-Adaptive REcursive proposals for MCMC

• arxiv url: http://arxiv.org/abs/2608.13774v1
• Date: Thu, 13 Aug 2026 21:02:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.212419
• Title: FLARE MCMC: Fidelity-based Layer-Adaptive REcursive proposals for MCMC
• Title（参考訳）: FLARE MCMC: MCMCの忠実度に基づく層適応再帰的提案
• Abstract要約: FLARE MCMCは、真の可能性計算の低忠実度近似を利用して混合を改善し、全体的な性能を向上する。 我々は、FLARE MCMCが、異なる科学領域で同じ計算時間でより大きな有効サンプルサイズを達成できることを実験的に実証した。
• 参考スコア（独自算出の注目度）: 0.30975967428793894
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Markov chain Monte Carlo (MCMC) requires only the ability to evaluate the likelihood, making it a common technique for inference in complex models. However, it can have a slow mixing rate, requiring the generation of many samples to obtain good estimates and an overall high computational cost. FLARE MCMC is a multi-fidelity layered MCMC method that exploits lower-fidelity approximations of the true likelihood calculation to improve mixing and leads to overall faster performance. Such lower-fidelity likelihoods are commonly available in scientific and engineering applications where the model involves a simulation whose resolution or accuracy can be tuned. Our technique uses recursive, layered chains with simple layer tuning; it does not require the likelihood to take any form or have any particular internal mathematical structure. We demonstrate experimentally that FLARE MCMC achieves larger effective sample sizes for the same computational time across different scientific domains including hydrology and cosmology.
• Abstract（参考訳）: マルコフ連鎖モンテカルロ (MCMC) は確率を評価する能力しか必要とせず、複雑なモデルにおける推論の一般的な手法である。 しかし、混合速度が遅いため、多くのサンプルを生成して良い見積と全体的な計算コストを得る必要がある。 FLARE MCMCは, 真の精度計算の低忠実度近似を利用して混合性を向上し, 全体的な性能を向上する多忠実層MCMC法である。 このような低忠実度確率は、モデルが解像度や精度を調整可能なシミュレーションを含む科学や工学の応用で一般的に利用することができる。 我々の手法は、単純な層チューニングを伴う再帰的層状鎖を用いており、いかなる形を取る必要も、特定の内部数学的構造を持つ必要もない。 我々は、FLARE MCMCが、水文学や宇宙論を含む様々な科学領域において、同じ計算時間でより大きな有効サンプルサイズを達成できることを実験的に実証した。

関連論文リスト

• Reducing normalizing flow complexity for MCMC preconditioning [0.0]
  本研究では,線形成分と条件付きNFを組み合わせることにより,NFの複雑性を低減する因子化プレコンディショニングアーキテクチャを提案する。 本手法は,2つの複雑な合成分布における尾部試料の精度が向上し,疎対数回帰後部における連続的な性能が向上した。
  論文  参考訳（メタデータ） (2025-11-04T08:08:00Z)
• Accelerating Multilevel Markov Chain Monte Carlo Using Machine Learning Models [0.0]
  大規模問題に対するマルチレベルマルコフ・チェイン・モンテカルロ(MCMC)サンプリングを高速化するための効率的な手法を提案する。 提案したサンプルの低コストな評価には,低忠実度機械学習モデルを用いる。 本手法は地下水流の標準ベンチマーク推論問題において実証された。
  論文  参考訳（メタデータ） (2024-05-18T05:13:11Z)
• Exact and general decoupled solutions of the LMC Multitask Gaussian Process model [28.32223907511862]
  コリージョン化線形モデル(英: Linear Model of Co- Regionalization、LMC)は、回帰や分類のためのマルチタスクガウス過程の非常に一般的なモデルである。 最近の研究によると、ある条件下では、モデルの潜在過程は切り離され、そのプロセスの数でのみ線形となる複雑さが生じる。 ここでは、これらの結果を拡張し、LCCの効率的な正確な計算に必要な条件はノイズモデルに関する軽度の仮説である、という最も一般的な仮定から示している。
  論文  参考訳（メタデータ） (2023-10-18T15:16:24Z)
• 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)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Bayesian Decision Trees Inspired from Evolutionary Algorithms [64.80360020499555]
  我々は、マルコフ連鎖モンテカルロ(MCMC)を本質的に並列なアルゴリズムであるシーケンシャルモンテカルロ(SMC)に置き換えることを提案する。 実験により、SMCと進化的アルゴリズム(EA)を組み合わせることで、MCMCの100倍のイテレーションでより正確な結果が得られることが示された。
  論文  参考訳（メタデータ） (2023-05-30T06:17:35Z)
• Multi-fidelity Monte Carlo: a pseudo-marginal approach [21.05263506153674]
  モンテカルロを科学分野に適用する上で重要な課題は計算である。 多忠実MCMCアルゴリズムは、近似目標密度を得るために、様々な忠実度のモデルを組み合わせる。 我々は、より安価でランダムな非バイアス推定器を用いたマルチフィデリティ推定のための疑似マージ型MCMCアプローチを採用する。
  論文  参考訳（メタデータ） (2022-10-04T11:27:40Z)
• 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)
• Non-convex Learning via Replica Exchange Stochastic Gradient MCMC [25.47669573608621]
  本稿では,適応的複製交換SGMCMC(reSGMCMC)を提案し,バイアスを自動的に補正し,対応する特性について検討する。 実験では,様々な設定の広範囲な実験を通じてアルゴリズムを検証し,その結果を得た。
  論文  参考訳（メタデータ） (2020-08-12T15:02:59Z)
• 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)
• Improving Sampling Accuracy of Stochastic Gradient MCMC Methods via Non-uniform Subsampling of Gradients [54.90670513852325]
  サンプリング精度を向上させるための一様でないサブサンプリング手法を提案する。 EWSGは、一様勾配MCMC法がバッチ勾配MCMC法の統計的挙動を模倣するように設計されている。 EWSGの実践的な実装では、データインデックス上のMetropolis-Hastingsチェーンを介して、一様でないサブサンプリングを効率的に行う。
  論文  参考訳（メタデータ） (2020-02-20T18:56:18Z)

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。