PulseAugur
中
实时 09:40:34

新方法纠正了吉布斯分布的序列采样器偏差

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新研究论文介绍了一种名为“Sampling Decisions”的方法，用于纠正离散空间中的有偏序列采样器，确保其输出符合指定的吉布斯分布。该方法将其表述为路径空间相对熵投影，从而得到一个Doob变换和一个基于条件自归一化重要性采样的有限粒子算法。对于二元图模型，一个精确的抵消定理表明，单例乘积先验被消除，只剩下排序策略。在Ising网格上的实验表明，Local-Boltzmann引导（将自旋条件化为已显示的邻居）通过在测试预算下保持更大的有效样本量和达到目标参考带，显著优于单例乘积先验。 AI

影响 这项研究可以提高在各种人工智能和机器学习应用中使用的采样方法的效率和准确性，特别是在涉及复杂图模型的领域。

排序理由 该集群包含一篇详细介绍新采样方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新方法纠正了吉布斯分布的序列采样器偏差

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Michael Chertkov, Sungsoo Ahn, Hamidreza Behjoo ·

    采样决策：精确路径空间校正、先验取消和局部玻尔兹曼引导

    arXiv:2503.14549v3 Announce Type: replace-cross Abstract: How can a cheap but biased sequential, finite-horizon sampler over a discrete space be corrected so that its terminal output follows a prescribed Gibbs distribution? We formulate Sampling Decisions as a path-space relative…

相关话题