约翰·阿伦洛夫;阿诺·杜塞特;弗雷德里克·林德斯滕 伪边缘哈密顿蒙特卡罗。 （英语） Zbl 07415084号 J.马赫。学习。研究。 22，第141号论文，45页（2021年）. 摘要：存在难以处理的似然函数时的贝叶斯推断在计算上具有挑战性。当采用马尔可夫链蒙特卡罗（MCMC）方法来近似此背景下的后验分布时，通常要么使用MCMC方案，该方案针对参数和一些辅助潜在变量的联合后验，要么使用伪边缘Metropolis-Hastings（MH）方案。后者模拟MH算法，通过无偏逼近难以处理的似然，以参数的边缘后验为目标。然而，在参数和辅助变量在后验下强相关和/或后验是多模态的情况下，吉布斯采样或哈密顿蒙特卡罗（HMC）的性能较差，伪边缘MH算法和任何其他MH方案一样，对于高维参数将效率低下。我们在这里提出了一种原始的MCMC算法，称为伪边缘HMC，它结合了HMC和伪边缘方案的优点。具体而言，PM-HMC方法由一个精确参数（N）控制，控制似然的近似值，对于任何（N），它对参数的边际后验进行采样。此外，当（N）趋于无穷大时，其样本轨迹和接受概率收敛到理想但难以处理的HMC算法的轨迹和接受几率，该HMC算法可以获得难以处理的似然及其梯度。我们通过实验证明，PM-HMC可以显著优于标准HMC和伪边缘MH方案。 引用于2文件 MSC公司： 68T05年 人工智能中的学习和自适应系统 关键词：哈密尔顿蒙特卡罗;假边缘的;马尔科夫蒙特卡洛;潜在变量模型 PDF格式BibTeX公司 XML格式引用 \textit{J.Alenlöv}等人，J.Mach。学习。第22号决议，第141号论文，45页（2021；Zbl 07415084） 全文： arXiv公司 链接