摘要
吉布斯随机场的贝叶斯推断通常被称为一个双重难题,因为似然函数和后验分布的归一化常数都不是封闭形式的。通常使用复杂的马尔可夫链蒙特卡罗(MCMC)方法,即交换算法[28]来探索此类模型的后验分布,这需要在每次迭代时从似然函数进行模拟。本文的目的是考虑一种大大减少这种计算开销的方法。为此,我们引入了一类新的算法,它们使用GRF模型的实现,在跨越参数空间的网格指定的位置进行离线模拟。如几个例子所示,这种策略大大加快了后验推理。然而,使用预先计算的图形会在MCMC算法中引入噪声,这不再准确。我们研究了由此产生的近似MCMC算法的理论行为,并使用近似MCMC方法的最新理论发展推导了收敛边界。
引用
下载引文
艾丹·博兰德(Aidan Boland)。
尼尔·弗里尔。
弗洛里安·梅尔。
“使用预计算的吉布斯随机场的高效MCMC。”
电子。J.统计。
12
(2)
4138 - 4179,
2018
https://doi.org/10.1214/18-EJS1504
问询处
收到日期:2018年1月1日;发布日期:2018年
首次在欧几里德项目中提供:2018年12月13日
数字对象标识符:10.1214/18-EJS1504
关键词:指数随机图模型,吉布斯随机场,MCMC公司