PulseAugur
中
实时 10:12:43

新方法使用神经网络增强用于推理的哈密顿蒙特卡洛方法

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种名为 Neural Surrogate HMC 的新方法，该方法将神经网络似然估计与基于仿真的推理的哈密顿蒙特卡洛方法相结合。该方法利用神经网络来近似似然函数，在摊销计算、为哈密顿蒙特卡洛提供梯度以及平滑嘈杂的模拟结果方面具有优势。该方法已成功应用于模拟太阳风层中银河宇宙射线的传输，从而能够高效地推断 Parker 方程中的潜在参数。 AI

影响 该方法可以提高科学研究中复杂模拟和参数推理的效率和准确性。

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

在 arXiv cs.LG 阅读 →

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

新方法使用神经网络增强用于推理的哈密顿蒙特卡洛方法

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Linnea M Wolniewicz, Peter Sadowski, Claudio Corti ·

    Neural Surrogate HMC: On Using Neural Likelihoods for Hamiltonian Monte Carlo in Simulation-Based Inference

    arXiv:2407.20432v3 Announce Type: replace Abstract: Bayesian inference methods such as Markov Chain Monte Carlo (MCMC) typically require repeated computations of the likelihood function, but in some scenarios this is infeasible and alternative methods are needed. Simulation-based…

相关实体

相关话题