环形增强取样

弗朗索瓦·法根（Francois Fagan）、贾拉克·班达里（Jalaj Bhandari）、约翰·坎宁安（John Cunningham）
第20届国际人工智能与统计会议论文集，PMLR 54:139-1472017年。

摘要

一般二进制概率模型的指数大样本空间导致了难以处理的标准操作，如精确边缘化、推理和归一化。通常，研究人员通过确定性近似处理这些分布，这类信念传播方法就是一个突出的例子。相比之下，马尔可夫链蒙特卡罗方法在这一领域的应用明显较少。在这项工作中，我们引入了一种辅助变量MCMC方案，该方案从环形增广空间采样，转换为围绕二进制采样空间的超立方体的大圆路径。这种环形增强采样器比坐标式采样器更有效地探索样本空间，并且没有可调参数，从而在估计大型二元模型中感兴趣的数量方面取得了显著的性能提升。我们扩展了该方法，将任何现有的平均场近似（例如来自置信传播的平均场）纳入到采样器中，从而进一步提高了性能。从经验上讲，我们考虑了一系列大型伊辛模型及其在心脏病风险因素中的应用。

引用本文

BibTeX公司
@会议记录{pmlr-v54-fagan17a，title={{环形增强采样}}，author={Fagan、Francois和Bhandari、Jalaj和Cunningham、John}，booktitle={第20届国际人工智能与统计会议论文集}，页数={139--147}，年份={2017年}，编辑＝{Singh，Aarti和Zhu，Jerry}，体积={54}，series={机器学习研究论文集}，月={4月20日--22日}，publisher={PMLR}，pdf={http://proceedings.mlr.press/v54/fagan17a/fagan17a.pdf},url={https://proceedings.mlr.press/v54/fagan17a.html},抽象={一般二进制概率模型的指数大样本空间导致了难以处理的标准操作，如精确边缘化、推理和归一化。通常，研究人员通过确定性近似处理这些分布，这类信念传播方法是一个突出的例子。相比较而言，马尔可夫链蒙特卡罗方法在这一领域的应用明显较少。在这项工作中，我们引入了一种辅助变量MCMC方案，该方案从环形增广空间采样，转换为围绕二元采样空间的超立方体的大圆路径。这种环形增强采样器比坐标式采样器更有效地探索样本空间，并且没有可调参数，从而在估计大型二元模型中感兴趣的数量方面取得了显著的性能提升。我们扩展了该方法，将任何现有的平均场近似（例如来自置信传播的平均场）纳入到采样器中，从而进一步提高了性能。经验性地，我们考虑了一系列大型伊辛模型及其在心脏病风险因素中的应用。}}
尾注
%0会议论文%T环形增强采样%弗朗索瓦·法根%贾拉伊·班达里%约翰·坎宁安%B第20届国际人工智能与统计会议论文集%C机器学习研究进展%D 2017年%艾尔蒂·辛格%E Jerry Zhu先生%F pmlr-v54-fagan17a型%我PMLR%电话139-147%U型https://proceedings.mlr.press/v54/fagan17a.html%54伏%X一般二进制概率模型的指数大样本空间导致了难以处理的标准操作，如精确边缘化、推理和归一化。通常，研究人员通过确定性近似处理这些分布，这类信念传播方法就是一个突出的例子。相比之下，马尔可夫链蒙特卡罗方法在这一领域的应用明显较少。在这项工作中，我们引入了一种辅助变量MCMC方案，该方案从环形增广空间采样，转换为围绕二元采样空间的超立方体的大圆路径。这种环形增强采样器比坐标式采样器更有效地探索样本空间，并且没有可调参数，从而在估计大型二元模型中感兴趣的数量方面取得了显著的性能提升。我们扩展了该方法，将任何现有的平均场近似（如置信传播）纳入采样器，从而进一步提高了性能。从经验上讲，我们考虑了一系列大型伊辛模型及其在心脏病风险因素中的应用。
亚太地区
Fagan，F.、Bhandari，J.和Cunningham，J.（2017）。环形增强取样。第20届国际人工智能与统计会议论文集，英寸机器学习研究进展54:139-147可从https://proceedings.mlr.press/v54/fagan17a.html。

相关材料