随机环境中的几何自适应蒙特卡罗
摘要：流形马尔可夫链蒙特卡洛算法已被引入用于从具有多峰性或强相关性的挑战性目标密度中更有效地进行采样。这种算法利用参数空间的局部几何性质，因此能够以步数为度量指标实现更快的收敛速度。然而，获取局部几何信息往往会增加每步的计算复杂性，导致从高维目标中进行采样在总计算时间上变得低效。本文分析了流形朗之万蒙特卡洛的计算复杂性，并提出了一种几何自适应蒙特卡洛采样器，旨在平衡利用局部几何和计算成本，以在给定计算成本下实现高有效样本量。所建议的采样器是一个随机环境中的离散时间随机过程。随机环境允许使用计划在局部几何和自适应提议核函数之间进行切换。提出了一个指数计划，它能够在链的早期瞬态阶段更频繁地使用几何信息，同时在后期稳定阶段节省计算时间。平均复杂度可以根据底层模型对几何利用需求进行手动设置。
作者：Theodore Papamarkou and Alexey Lindo and Eric B. Ford
论文ID：1608.07986
分类：Machine Learning
分类简称：stat.ML
提交时间：2021-05-11