研究人员开发了用于随机梯度广义不可逆Langevin蒙特卡洛算法的新方差缩减技术。这些方法旨在提高广义不可逆Langevin动力学估计器的准确性，特别是在步长趋于零的情况下。在贝叶斯回归任务上的数值实验表明，与可逆方案相比，提出的不可逆方案持续降低了均方根误差。 AI
影响 这些算法改进可以提高用于复杂机器学习模型中的采样方法的效率和准确性。
排序理由 该集群包含一篇详细介绍机器学习新算法和理论发现的学术论文。
- alphaXiv
- arXiv
- Bayesian linear regression
- Bayesian Logistic Regression
- CatalyzeX
- DagsHub
- Gotit.pub
- Hugging Face
- Langevin Monte Carlo
- Poisson's equation
- ScienceCast
- Anti-symmetric perturbation
- central limit theorem
- Full-gradient diffusion
- Generalized Non-reversible Langevin Dynamics
- Reversible baseline
- Stochastic Gradient Euler-Maruyama
- Stochastic Gradient Generalized Non-reversible Langevin Monte Carlo Algorithms
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
