Core Concepts
스토캐스틱 그래디언트 랑주뱅 확산(SGLDiff)은 데이터 하위 샘플링으로 인한 오차를 분석하는 이상적인 동적 시스템이다. SGLDiff는 랑주뱅 확산에 대한 최선의 오차 분석을 제공한다.
Abstract
이 논문은 대규모 데이터 환경에서 베이지안 사후 분포를 근사하는 데 널리 사용되는 스토캐스틱 그래디언트 랑주뱅 역학(SGLD)의 데이터 하위 샘플링 오차를 분석한다.
논문의 주요 내용은 다음과 같다:
이상적인 동적 시스템인 스토캐스틱 그래디언트 랑주뱅 확산(SGLDiff)을 소개하고, 이를 통해 랑주뱅 기반 MCMC 방법의 최선의 오차 분석을 제공한다.
SGLDiff가 고유한 정상 분포를 가지며 지수적으로 수렴한다는 것을 보여준다. 또한 이 정상 분포와 관심 분포 간의 Wasserstein 거리 상한을 제공한다.
SGLDiff와 관심 분포 간의 Wasserstein 거리 상한을 제공하여, SGLDiff의 편향과 수렴 속도에 대한 정보를 제공한다.
이 결과를 이산 시간 SGLD 알고리즘의 기존 분석 결과와 비교하여, SGLDiff의 분석이 SGLD의 오차 행동을 잘 반영한다는 것을 보여준다.
Stats
랑주뱅 확산 (ζt)t≥0의 2차 모멘트는 다음과 같이 상한이 존재한다:
E[∥ζt∥2] ≤ ˜ct,θ0,d = (∥θ0∥2 + 2∇¯Φ(0)2 + 2td)e2(L+1)t
(ζt)t≥0는 시간에 대해 연속이며, 다음과 같은 상한이 성립한다:
E[∥ζt −ζs∥2] ≤ ct,θ0,d |t −s|, 여기서 ct,θ0,d := 2e2(L+1)t˜ct,θ0,d
Quotes
"SGLDiff는 랑주뱅 확산 (ζt)t≥0에 대한 최선의 오차 분석을 제공한다."
"SGLDiff의 분석 결과는 SGLD의 오차 행동을 잘 반영한다."