論文の概要: Beyond Reweighting: Certified Improvements from New Transitions in Discrete MCMC
- arxiv url: http://arxiv.org/abs/2611.15668v1
- Date: Wed, 11 Nov 2026 16:13:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.19393
- Title: Beyond Reweighting: Certified Improvements from New Transitions in Discrete MCMC
- Title(参考訳): 再重み付けを超えて:離散MCMCにおける新しい遷移の認定改善
- Abstract要約: 許可された遷移と定常流の両方を考慮した遷移支援設計のためのフレームワークを開発する。
分子およびイジング状態グラフの実験は、新しい遷移の潜在的な価値と、それら上に構築されたカーネルのパフォーマンスを区別する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Optimizing transition probabilities on a fixed grap may leave substantial limitations on the efficiency of reversible Markov chain Monte Carlo (MCMC). We develop a framework for transition-support design that considers both allowed transitions and their stationary flows. For a fixed target distribution, observable, and node-flow budget, we derive a necessary and sufficient dual condition for support augmentation to strictly reduce the optimal value of the asymptotic variance, together with computable primal--dual certificates that establish improvements over every admissible original-support reweighting. We also construct a family in which adding a single edge reduces integrated autocorrelation time by an $Ω(n)$ factor relative to optimal original-support weighting, demonstrating that structural limitations can impose arbitrarily large relative losses in estimation efficiency. To realize these gains, we investigate energy-informed edge selection and constrained stationary-flow optimization. Experiments on molecular and Ising state graphs distinguish the potential value of new transitions from the performance of kernels constructed on them: on identical augmented Ising supports, full weight optimization certifies strict improvements in 24/24 conditions, whereas degree-based Metropolis--Hastings weighting certifies none. Our results provide a principled approach to characterizing, certifying, and exploiting transition-support improvements in explicitly represented finite state spaces.
- Abstract(参考訳): 固定グラップ上の遷移確率の最適化は、可逆的なマルコフ連鎖モンテカルロ(MCMC)の効率にかなりの制限を与える可能性がある。
許可された遷移と定常流の両方を考慮した遷移支援設計のためのフレームワークを開発する。
固定された目標分布,観測可能,ノードフローの予算に対して,漸近的分散の最適値を厳格に下げるために,サポート強化に必要な2つの条件を導出する。
また、一つのエッジを追加することで、最適な原位置重み付けに対する$Ω(n)$因子による統合自己相関時間を減少させ、構造的制限が推定効率において任意の大きな相対的損失を課すことを示すファミリーを構築する。
これらの利得を実現するため,エネルギーインフォームドエッジの選択と定常流最適化について検討する。
分子およびイジング状態グラフの実験は、それら上に構築されたカーネルのパフォーマンスと新しい遷移の潜在的価値を区別する: 同じ拡張Isingサポートでは、フルウェイト最適化は24/24条件での厳格な改善を認定するが、次数ベースのMetropolis-Hastings重み付けは証明しない。
本結果は,有限状態空間の遷移支援改善を特徴付け,証明し,活用するための原則的アプローチを提供する。
関連論文リスト
- DisMUSE: An Efficient Distributed Singular-Spectrum-Based Optimization Approach with Theoretical Convergence Guarantee [51.11813325221214]
DisMUSEは、データセンターとフェデレーション設定の両方のための効率的な分散特異スペクトルベース(SSB)フレームワークである。
DisMUSE は $(((KT)-)$O 局所分散率を達成し、ノード当たりノード数はそれぞれノード当たりのノード数である。
論文 参考訳(メタデータ) (2026-11-06T20:59:02Z) - Constraint-Preserving QAOA for Personnel Rostering: Coverage-Preserving and Guarded-XY Mixer Constructions [0.0]
我々は、厳密なスケジューリング制約を直接ミキサーハミルトニアンに埋め込む人事ロスターのための制約保存QAOAフレームワークを開発する。
我々の知る限りでは、これは人事ロースターのための最初の制約保存型QAOAの定式化である。
論文 参考訳(メタデータ) (2026-07-10T06:58:45Z) - EQE-QAOA: An Equivalence-Preserving Qubit Efficient Framework for Combinatorial Optimization [54.05451096499336]
既存の技術は情報損失のコストで量子ビットの削減に依存しており、計算性能は劣化している。
等価保存量子ビット効率QAOAを提案し、性能を劣化させることなく必要なキュービット数を著しく削減する。
完全独立変数を持つ非制約問題を除いて,大規模最適化問題に広く適用可能であることを示す。
論文 参考訳(メタデータ) (2026-04-20T13:57:49Z) - Variational Entropic Optimal Transport [67.76725267984578]
本稿では,ドメイン翻訳問題に対する変分エントロピー最適輸送(VarEOT)を提案する。
VarEOTは、補助正の正規化子上のトラクタブルな一般化として、log-partition $log mathbbE[exp(cdot)$の正確な変分再構成に基づいている。
合成データと画像と画像の変換に関する実験は、競争力のあるか、あるいはより良い翻訳品質を示す。
論文 参考訳(メタデータ) (2026-02-02T15:48:44Z) - Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
CL-QASは連続的な量子アーキテクチャ検索フレームワークである。
振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。
制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
論文 参考訳(メタデータ) (2026-01-10T02:36:03Z) - Iterative Refinement of Flow Policies in Probability Space for Online Reinforcement Learning [56.47948583452555]
固定ステップのEulerスキームによるフローマッチング推論プロセスの離散化は,最適輸送から変化するJordan-Kinderlehrer-Otto原理と整合する,というキーインサイトに基づいて,SWFP(Stepwise Flow Policy)フレームワークを紹介した。
SWFPは、大域的な流れを、プロキシメート分布間の小さな漸進的な変換の列に分解する。
この分解は、小さな流れブロックのカスケードを介して事前訓練された流れを微調整する効率的なアルゴリズムを導き、大きな利点をもたらす。
論文 参考訳(メタデータ) (2025-10-17T07:43:51Z) - ENOT: Expectile Regularization for Fast and Accurate Training of Neural Optimal Transport [3.0237149871998095]
最適な輸送計画の正確かつ効率的に推定する新しい手法を提案する。
expectile Regularized Neural Transport Optimal (ENOT) と呼ばれる。
ENOTは二重ポテンシャルの学習過程に結合条件を強制する。
論文 参考訳(メタデータ) (2024-03-06T15:15:42Z) - Disentangled Federated Learning for Tackling Attributes Skew via
Invariant Aggregation and Diversity Transferring [104.19414150171472]
属性は、クライアント間の一貫した最適化方向から、現在の連邦学習(FL)フレームワークを歪めます。
本稿では,ドメイン固有属性とクロス不変属性を2つの補足枝に分離するために,非絡み付きフェデレーション学習(DFL)を提案する。
実験により、DFLはSOTA FL法と比較して高い性能、より良い解釈可能性、より高速な収束率でFLを促進することが確認された。
論文 参考訳(メタデータ) (2022-06-14T13:12:12Z) - Mitigating barren plateaus of variational quantum eigensolvers [13.043313092866958]
変分量子アルゴリズム(VQA)は、短期量子コンピュータに有用な応用を確立することが期待されている。
近年の研究では、VQAsの性能はアンサーゼの能力に大きく依存していることが指摘されている。
本研究は、トレーニング性を改善した正確な量子力学シミュレーションのための状態効率アンサッツ(SEA)を提案する。
論文 参考訳(メタデータ) (2022-05-26T17:58:24Z)
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。