Statistics and Computing· 2026Q1
Sıçrama ölçeğini öğrenerek daha hızlı Hamilton Monte Carlo: çevrimdışı rastgeleleştirilmiş çözüm
Faster Hamiltonian Monte Carlo by learning leapfrog scale: an offline randomized solution
- 13atıf
- Q1SCImago
- 2026yıl
Kısa özet
Yeni bir Hamilton Monte Carlo (HMC) yöntemi olan eHMC, rastgeleleştirilmiş sıçrama parametrelerinin çevrimdışı ampirik kalibrasyonunu kullanarak örnekleme verimliliğini artırır, manuel yanma-dönemi teşhislerini ve çevrimiçi adaptasyonu ortadan kaldırır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Hamilton Monte Carlo (HMC) için çevrimdışı ampirik kalibrasyon yöntemi olan eHMC'yi tanıtır.
- Kalibrasyon için önem örneklemesi ve temperlemeli Popülasyon Monte Carlo'dan yararlanır.
- Manuel yanma-dönemi teşhislerini ve çevrimiçi adaptasyonu ortadan kaldırır.
- Belirli senaryolarda NUTS'a kıyasla rekabetçi veya daha iyi örnekleme verimliliği gösterir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Abstract We introduce a Hamiltonian Monte Carlo (HMC) methodology based on an offline empirical calibration of randomized leapfrog parameters. The approach, referred to as eHMC, where e stands for empirical, leverages importance sampling to construct an empirical distribution on discretization parameters, thereby eliminating the need for manual burn-in diagnostics and online adaptation. The proposal distribution used in the calibration stage is obtained via a Population Monte Carlo scheme with tempering and relies on flexible parametric variational families such as normalizing flows. Once the calibration stage complete, the resulting algorithm defines a homogeneous Markov chain via a mixture of HMC kernels with a fixed mixing distribution, and hence preserves the target distribution. Numerical experiments indicate that eHMC can achieve competitive or improved sampling efficiency compared to the No-U-Turn Sampler (NUTS) in the case useful integration times can be summarized by the offline distribution. The comparison is assessed by standard efficiency metrics normalized by the number of leapfrog steps during the post-calibration sampling phase.
Yazarların özeti; kaynağından alınmıştır. Statistics and Computing, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: İstatistik ve Olasılık
Statistics and ProbabilityMathematics