泛连续分布的完美模拟的哈密顿蒙特卡罗设计
摘要：Hamiltonian Monte Carlo（HMC）是一种模拟平滑分布的有效方法，并激发了广泛使用的No-U-turn Sampler（NUTS）和Stan软件。我们在NUTS和“无偏采样”的技术基础上构建HMC算法，以生成对HMC适用的连续分布的完美模拟。我们的方法可以将马尔可夫链蒙特卡罗（MCMC）的收敛误差与实验误差分离开来，从而提供比当前最先进的总结统计量更强大的MCMC收敛诊断能力，这些统计量会混淆这两种误差。不同MCMC算法的客观比较以每个完美样本点的导数评估次数为标准。我们通过在正态分布、t分布和高达100维的正态混合分布以及12维贝叶斯Lasso回归中应用该方法来演示这种方法。HMC在每个轨迹上有效运行目标是20到30个点。每个完美样本点的导数评估次数从单变量正态分布的390次增加到具有由六个标准差分隔的两个正态分布模式的100维混合分布的12,000次，以及具有四个自由度的100维t分布的22,000次。
作者：George M. Leigh and Amanda R. Northrop (Department of Agriculture and Fisheries, Queensland, Australia)
论文ID：2212.12140
分类：Computation
分类简称：stat.CO
提交时间：2022-12-26