新的理论界限改进了复杂分布的Langevin采样

研究人员为Moreau--Yosida未调整Langevin算法（MYULA）开发了新的理论界限，这是一种用于从复杂概率分布采样的算法。该研究侧重于非光滑复合目标，并引入了一个新指标——活动迹（active trace），与以前的方法相比，该指标能更好地控制算法的离散化误差。这一进展可能导致更有效的机器学习采样技术，特别是在涉及强凸和Lipschitz梯度的问��中。 AI

影响 为Langevin采样带来了理论改进，可能提高机器学习模型的效率。

排序理由 该条目是一篇学术论文，详细介绍了机器学习算法的理论进展。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hessian
• Hugging Face
• Langevin
• lasso
• Mjurran
• Moreau
• Moreau--Yosida unadjusted Langevin algorithm
• ScienceCast
• Wasserstein metric
• Yoshida

• 论文
• 其他

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