通过差异最小化进行抽样
摘要：用自适应方案介绍一种马尔可夫链蒙特卡洛（MCMC）方法，用于从具有不规则几何图形的目标分布中采样。对于目标具有非高斯行为的情况，我们建议适应应该是区域性的，而不是全局性的。我们的算法通过最小化Kullback-Leibler（KL）散度中信息投射成分来鼓励与目标区域几何形状类似的建议分布。与传统的自适应MCMC不同，该过程在探索周围空间时快速适应目标当前位置的几何形状，而无需许多预存在的样本。散度最小化算法在具有不规则模态的目标分布上进行了测试，并提供了我们方法有效性的结果。
作者：Ameer Dharamshi, Vivian Ngo, and Jeffrey S. Rosenthal
论文ID：2105.00520
分类：Computation
分类简称：stat.CO
提交时间：2022-05-09