无U-Turn采样器作为顺序蒙特卡洛采样器中的建议分布与近乎最优L-Kernel
摘要：马尔可夫链蒙特卡洛（MCMC）是一种从非标准概率分布中抽取样本的强大方法，被广泛应用于许多领域和学科。Metropolis-Adjusted Langevin（MALA）和Hamiltonian Monte Carlo（HMC）等利用梯度信息来探索目标分布的方法是MCMC的流行变体。序贯蒙特卡洛（SMC）采样器是一种备选的采样方法，与MCMC不同，可以方便地利用并行计算架构，还具有MCMC不可用的调节参数。其中一个参数是L-核，可以用来最小化SMC采样器估计值的方差。在本文中，我们展示了如何将No-U-Turn Sampler（NUTS）中使用的提议方法，一种先进的HMC变体，结合到SMC采样器中，以提高对目标空间的探索效率。我们还展示了如何使用近乎最优的L-核和Hamiltonian提议来优化SMC采样器。
作者：Lee Devlin, Paul Horridge, Peter L. Green, and Simon Maskell
论文ID：2108.02498
分类：Computation
分类简称：stat.CO
提交时间：2021-08-06