선형 혼합 효과 모델의 해밀토니안 몬테카를로 추론: 효율적인 베이지안 추론을 위한 무작위 효과 변수의 효율적인 한계화
선형 혼합 효과 모델에서 무작위 효과 변수를 한계화하면 해밀토니안 몬테카를로 추론의 효율성을 크게 향상시킬 수 있으며, 특히 인지 과학과 같은 다양한 분야의 실제 모델에서 그 효과가 두드러진다.
조건부 사후 분포 에뮬레이션을 통한 근사 모듈식 베이지안 추론 향상
이 논문에서는 제한된 계산 자원으로 인해 다중 대치법을 사용할 때 발생하는 문제점을 해결하기 위해 컷 분포를 근사화하는 새로운 알고리즘인 ECP(Emulating the Conditional Posterior) 알고리즘을 제안합니다.
강유전체 기반 In-Memory Computing으로 구현된 효율적이고 컴팩트한 베이지안 추론 엔진, FeBiM
기존의 베이지안 추론 하드웨어 구현 방식의 한계를 극복하기 위해 다중 비트 FeFET(강유전체 전계 효과 트랜지스터) 기반의 효율적이고 컴팩트한 In-Memory Computing 베이지안 추론 엔진인 FeBiM을 소개합니다.
잡음 주입을 통한 개선된 탐색 능력을 갖춘 준 암시적 함수형 경사 흐름
준 암시적 변형족과 잡음 주입을 활용한 새로운 함수형 경사 흐름 방법(SIFG)은 기존 방법보다 뛰어난 탐색 능력과 샘플 다양성을 제공하여 복잡한 분포에서 효율적인 샘플링을 가능하게 합니다.
최대 점수 문제에 대한 베이지안 관점: 이분형 선택 모델에서 중앙값 독립 제약 조건을 사용한 구조적 분석을 위한 새로운 접근 방식
이 논문에서는 중앙값 독립 제약 조건을 만족하는 선형 지수 임계 교차 이분형 선택 모델에 대한 베이지안 추론 프레임워크를 제시하며, 이는 비모수적 이분산성을 가진 프로빗 모델과 관측적으로 동일하다는 점을 활용하여 효율적인 추론을 가능하게 합니다.
다루기 힘든 제안 분포에 대한 정확한 MCMC 알고리즘
정규화 상수를 알 수 없는 제안 분포를 사용하는 경우에도 베르누이 팩토리 MCMC 알고리즘을 통해 정확한 베이지안 추론이 가능하며, 이는 기존의 근사적 MCMC 방법보다 정확하고 효율적인 대안을 제공합니다.
심층 생성 분위수 베이즈 (다변량 사후 표본 추출을 위한 새로운 접근 방식)
이 논문은 심층 생성 분위수 학습을 통해 암시적 모델의 베이지안 사후 분포에서 샘플링하는 새로운 방법을 제안합니다. 이 방법은 다변량 분위수의 개념을 활용하여 기존 방법과 달리 베이지안 신뢰 집합에서 직접 샘플링할 수 있도록 합니다. 또한, 자동 요약 통계량 추출을 위한 새로운 신경망 구조를 설계하여 관측 샘플 크기가 증가함에 따라 사후 근사의 수축(지지 수축)을 가능하게 합니다.
피셔-라오 그래디언트 플로우를 이용한 효율적이고 다봉적이며 도함수가 필요 없는 베이지안 추론
이 논문에서는 고차원 역 문제에서 여러 모드를 효율적으로 탐색하고 데이터를 활용하는 데 중점을 둔 GMKI라는 새로운 베이지안 추론 방법을 제안합니다.
평평한 힐베르트 베이지안 추론을 통한 일반화 능력 향상
본 논문에서는 평평한 손실 공간에서의 최적화와 입자 샘플링을 결합한 새로운 베이지안 추론 알고리즘인 FHBI를 제안하며, 이론적 분석과 실험을 통해 기존 방법 대비 뛰어난 일반화 능력을 보여줍니다.
이질적인 여론 조사 네트워크를 위한 다중 이징 모델의 베이지안 추론
본 논문에서는 서로 다른 사회 집단 간의 여론 형성 과정의 차이를 분석하기 위해 다중 이징 모델을 활용한 새로운 베이지안 추론 방법론을 제시합니다.
© 2024 by Linnk AI