阿莱西奥·本纳沃利;杰森·怀斯;怀特，亚瑟 高斯过程加速MCMC，具有自动探索-开发效果。 arXiv:2109.13891 预印本，arXiv：2109.13891[stat.ML]（2021）。 摘要：我们提出了一种两阶段Metropolis Hastings算法，通过使用代理高斯过程（GP）模型对概率模型进行采样，该算法的对数似然性评估在计算上很昂贵。该方法的关键特征以及与以往工作的区别在于，能够从头开始学习目标分布（采样时），因此无需预先训练GP。这是概率编程语言中自动和推理的基础。特别是，我们提出了一种替代的第一阶段接受方案，通过边缘化GP分布函数，使接受率明确依赖于GP的方差。该方法被扩展到Metropolis Adjusted Langevin算法（MALA）。 BibTeX公司 引用 \textit{A.Benavoli}等人，“高斯过程加速具有自动探索-开发效应的MCMC”，预打印，arXiv:2109.13891[stat.ML]（2021） 全文： arXiv公司 OA许可证 arXiv数据来自arXiv OAI-PMH API.如果你发现了错误，请直接向arXiv报告.