Kirjaudu sisään
näkemys - 마르코프 체인 몬테 카를로 방법
의사-주변부 메트로폴리스-헤이스팅스 알고리즘을 위한 분산 경계 및 강력한 튜닝: 잘못된 튜닝 권장 사항을 수정하고 상관 관계가 있는 제안의 이점을 강조
의사-주변부 메트로폴리스-헤이스팅스(PMMH) 알고리즘의 성능을 최적화하기 위해 기존의 튜닝 지침(로그 우도 추정량의 분산을 기반으로 함)을 수정하고 우도 추정량의 상대 분산을 최소화하는 새로운 기준을 제시합니다. 또한 상관 관계가 있는 제안을 사용하면 점근 분산을 근본적으로 개선하여 기존 PMMH에서 무한했던 분산을 유한하게 만들 수 있음을 보여줍니다.
신성과 세속: MCMC의 인볼루션 이론부터 유용한 해밀턴 해킹까지
본 논문에서는 마르코프 체인 몬테 카를로(MCMC) 방법론의 이론적 틀을 확장하여 메트로폴리스-헤이스팅스, MHGJ, 해밀턴(하이브리드) 몬테 카를로(HMC)와 같은 기존 알고리즘을 아우르고, 대리-궤적 HMC, 힐베르트 공간 MCMC, 다중 제안 MCMC와 같은 새로운 알고리즘 개발을 위한 토대를 마련합니다.
비조정 랑주뱅 알고리즘 및 근접 표본 추출기를 따른 Φ-발산의 빠른 수렴
이 논문은 비조정 랑주뱅 알고리즘(ULA)과 근접 표본 추출기라는 두 가지 인기 있는 마르코프 체인 몬테 카를로(MCMC) 방법의 혼합 시간을 Φ-발산 측면에서 분석하여, 특정 조건에서 이러한 알고리즘이 목표 분포로 빠르게 수렴함을 보여줍니다.
Tuotteet
© 2024 by Linnk AI