实际中的自动锯齿采样
摘要：从目标分布中生成样本的新型Monte Carlo方法，例如来自贝叶斯分析的后验分布，在过去十年中迅速扩展。基于分段确定性马尔可夫过程（PDMPs）的算法，即非可逆连续时间过程，正在发展成为自己的研究分支，得益于其重要属性（例如正确的不变分布，遍历性和超效率）。然而，实践在这个领域还没有赶上理论，使用PDMPs解决应用问题的应用还不普遍。这可能是由于首先，PDMPs基于采样器存在一些实现挑战，其次，缺乏论文展示这些方法和实现在应用设置中的应用。在这里，我们使用最具前景的PDMPs之一Zig-Zag采样器作为典型示例来解决这两个问题。在解释了Zig-Zag采样器的关键要素之后，揭示并解决了其实现挑战。具体而言，提供了一种从感兴趣的目标分布中抽取样本的算法。值得注意的是，该算法唯一的要求是一个用于评估目标密度的闭合形式函数，与先前的实现不同，不需要更多关于目标的信息。通过与另一个基于梯度的采样器进行评估，证明了该算法在模拟和实际数据设置中具有竞争力。最后，我们证明了在实践中可以获得超效率属性，即以较低的代价抽取一个独立样本，而不必评估所有数据的似然性。
作者：Alice Corbella, Simon E F Spencer, Gareth O Roberts
论文ID：2206.11410
分类：Computation
分类简称：stat.CO
提交时间：2022-09-05