G-Wishart加权建议算法：用于高斯图模型的高效后验计算
摘要：高斯图模型能够捕捉变量之间的复杂依赖关系。对于这样的模型，贝叶斯推断具有吸引力，因为它提供了合理的方式来整合先验信息，并通过后验分布量化不确定性。然而，在具有一般非可分解图的共轭G-Wishart先验分布下的后验计算是昂贵的。因此，我们提出了一种新的马尔可夫链蒙特卡罗（MCMC）方法，名为G-Wishart加权提议算法（WWA）。WWA的独特特点包括延迟接受的MCMC，用于精度矩阵的吉布斯更新，以及图空间上的知情提议分布，使得计算可以容易并行。与现有方法相比，WWA降低了从G-Wishart分布进行相对昂贵的抽样的频率。这导致更快的MCMC收敛，改善的MCMC混合和缩短的计算时间。对模拟和真实数据进行的数值研究表明，WWA比竞争的最先进的MCMC算法提供了更高效的后验推断工具。
作者：Willem van den Boom, Alexandros Beskos, Maria De Iorio
论文ID：2108.01308
分类：Computation
分类简称：stat.CO
提交时间：2023-04-05