运输可逆跳跃方案
劳伦斯·戴维斯、罗伯特·所罗门、马修·萨顿、克里斯·德罗瓦迪
第26届国际人工智能与统计会议论文集,PMLR 206:6839-68522023年。
摘要
众所周知,在大多数应用中,实现合理接受率和混合的可逆跳马尔可夫链蒙特卡罗(RJMCMC)方案很难设计。受基于深度神经网络的归一化流和密度估计最新进展的启发,我们演示了一种通过执行涉及参考分布的跨维跳跃来提高RJMCMC采样效率的方法。与其他RJMCMC提案相比,该方法首次应用基于非线性传输的方法在具有复杂依赖结构的模型之间构建高效提案。结果表明,在使用精确传输的情况下,我们的RJMCMC建议具有理想的特性,即接受概率仅取决于模型概率。数值实验证明了该方法的有效性。
引用本文
相关材料