論文の概要: Generalizing Metropolis-Hastings for DAG Sampling

• arxiv url: http://arxiv.org/abs/2610.30291v1
• Date: Wed, 21 Oct 2026 18:07:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.095972
• Title: Generalizing Metropolis-Hastings for DAG Sampling
• Title（参考訳）: DAGサンプリングのためのメトロポリス・ハスティングの一般化
• Abstract要約: この研究は、マルコフ連鎖モンテカルロアルゴリズムを進化させ、DAGの複数のノードに対して両親を同時に再サンプリングする新しい動きを導入した。 これらの動きの中核はデュエットサンプリングであり、各イテレーションでプールから2つの提案分布を選択するメトロポリス・ハスティングスアルゴリズムの新たな一般化である。 実験によって、我々の新しい動きは、個人と組み合わせて、より制限的な動きのプールに依存する、過去の最先端技術よりも優れていることが示されています。
• 参考スコア（独自算出の注目度）: 5.793882829448074
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A fundamental challenge in Bayesian network structure learning lies in efficiently approximating the posterior distribution of directed acyclic graphs (DAGs). For large, high-dimensional datasets, the task remains beyond the capabilities of current methods. This work advances Markov chain Monte Carlo algorithms by introducing novel moves that simultaneously resample the parents for multiple nodes of the DAG. At the core of these moves is duet sampling, a new generalization of the Metropolis-Hastings algorithm that selects two proposal distributions from a pool at each iteration. One is used for generating a candidate state of the Markov chain and another for evaluating the return to the current state; both are ingredients of an appropriately crafted acceptance criterion. Pairing different proposal distributions provides additional freedom and enables constructing Markov chains that mix more efficiently than their basic Metropolis-Hastings counterparts, at no additional computational cost. Experiments show that our new moves, both individually and in combination, outperform the previous state of the art, which relies on a more restrictive pool of moves. This advantage persists even when letting the previous methods leverage duet sampling to enhance their performance.
• Abstract（参考訳）: ベイズネットワーク構造学習における基本的な課題は、有向非巡回グラフ(DAG)の後方分布を効率的に近似することにある。 大規模で高次元のデータセットの場合、タスクは現在のメソッドの能力を超えます。 この研究は、マルコフ連鎖モンテカルロアルゴリズムを進化させ、DAGの複数のノードに対して両親を同時に再サンプリングする新しい動きを導入した。 これらの動きの中核はデュエットサンプリングであり、各イテレーションでプールから2つの提案分布を選択するメトロポリス・ハスティングスアルゴリズムの新たな一般化である。 1つはマルコフ連鎖の候補状態の生成に用いられ、もう1つは現在の状態への復帰を評価するために用いられる。 異なる提案分布のペアリングは、追加の計算コストなしで、基本となるメトロポリス・ハスティングスよりも効率的に混在するマルコフ連鎖の構築を可能にする。 実験によると、我々の新しい動きは、個人と組み合わせて、より制限のある動きのプールに依存する過去の最先端よりも優れています。 この利点は、以前のメソッドがデュエットサンプリングを利用してパフォーマンスを向上しても持続する。

関連論文リスト

• Effective Test-Time Scaling of Discrete Diffusion through Iterative Refinement [51.54933696252104]
  離散拡散に適した新しいテスト時間スケーリング手法であるイテレーティブ・リワードガイドリファインメント(IterRef)を導入する。 我々は、このプロセスをMultiple-Try Metropolisフレームワークで形式化し、報酬整合分布への収束を証明した。 IterRefは計算予算の低さで大幅に上昇し、最先端のベースラインをはるかに超えている。
  論文  参考訳（メタデータ） (2025-11-04T02:33:23Z)
• Scalable Equilibrium Sampling with Sequential Boltzmann Generators [60.00515282300297]
  Boltzmannジェネレータフレームワークを2つの重要なコントリビューションで拡張する。 1つ目は、全原子カルテシアン座標で直接動作する非常に効率的なトランスフォーマーベースの正規化フローである。 特に,連続モンテカルロの連続時間変種を用いて,流れサンプルの推論時スケーリングを行う。
  論文  参考訳（メタデータ） (2025-02-25T18:59:13Z)
• Markov chain Monte Carlo without evaluating the target: an auxiliary variable approach [9.426953273977496]
  サンプリングタスクでは、ターゲット分布を正規化定数まで知ることが一般的である。 多くの場合、正規化されていない分布を評価することはコストがかかるか不可能である。 提案手法と受入拒否方式の両方で補助変数を使用できる新しいフレームワークを開発する。
  論文  参考訳（メタデータ） (2024-06-07T20:06:23Z)
• Scaling up Dynamic Edge Partition Models via Stochastic Gradient MCMC [33.08344607564694]
  エッジ分割モデル (EPM) は静的グラフ構造データから重なり合うコミュニティ構造を抽出する生成モデルである。 多くの魅力的な性質があるにもかかわらず、EMMの推論は通常、マルコフ連鎖モンテカルロ (MCMC) 法を用いて行われ、大規模なネットワークデータに適用されないようにしている。
  論文  参考訳（メタデータ） (2024-02-29T15:19:35Z)
• Langevin Monte Carlo for Contextual Bandits [72.00524614312002]
  Langevin Monte Carlo Thompson Sampling (LMC-TS) が提案されている。 提案アルゴリズムは,文脈的帯域幅の特別な場合において,最高のトンプソンサンプリングアルゴリズムと同じサブ線形残差を達成できることを示す。
  論文  参考訳（メタデータ） (2022-06-22T17:58:23Z)
• On Mixing Times of Metropolized Algorithm With Optimization Step (MAO) : A New Framework [4.984601297028258]
  我々は$mathbbRd$でサポートされている細い尾を持つ分布のクラスからのサンプリングを検討する。 我々のアルゴリズムは、メトロポリス調整ランゲヴィンアルゴリズム(MALA)が収束しない分布や理論的保証が欠如している分布からサンプリングすることができる。
  論文  参考訳（メタデータ） (2021-12-01T15:32:01Z)
• 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)
• Generative Semantic Hashing Enhanced via Boltzmann Machines [61.688380278649056]
  既存の生成ハッシュ法は、主に後部分布の分解形式を仮定する。 本稿では,ボルツマンマシンの分布を検索後部として利用することを提案する。 ハッシュコード内の異なるビット間の相関関係を効果的にモデル化することにより、我々のモデルは大幅な性能向上を達成できることを示す。
  論文  参考訳（メタデータ） (2020-06-16T01:23:39Z)

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。