PulseAugur
中
实时 19:29:12

新的Langevin动力学方法增强了复杂分布的采样

作者 PulseAugur 编辑部 · [2 个来源] ·

两篇新的arXiv论文探讨了用于改进机器学习采样的先进Langevin动力学方法。第一篇论文介绍了TIPreL，一种新颖的时间和位置相关预条件器，旨在同时解决从复杂分布采样中的全局模式覆盖和局部模式探索挑战。第二篇论文分析了具有随机指数欧拉离散化的动力学Langevin蒙特卡洛方法，改进了现有分析，证明了其在适当的时间加速下，即使在过阻尼状态下也具有稳定性和有效性。 AI

影响 采样方法的这些理论进步可能导致更复杂的机器学习模型的更有效训练，特别是在贝叶斯推理和生成任务中。

排序理由 两篇在arXiv上发表的学术论文提出了与机器学习相关的新型采样方法理论进展。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的Langevin动力学方法增强了复杂分布的采样

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Alexander Falk, Laurenz Nagler, Andreas Habring, Thomas Pock ·

    时齐次预处理 Langevin 动力学

    arXiv:2605.06091v1 Announce Type: cross Abstract: Langevin sampling from distributions of the form $p(x) \propto \exp(-\Psi(x))$ faces two major challenges: (global) mode coverage and (local) mode exploration. The first challenge is particularly relevant for multi-modal distribut…

  2. arXiv stat.ML TIER_1 English(EN) · Kyurae Kim, Samuel Gruffaz, Ji Won Park, Alain Oliviero Durmus ·

    从欠阻尼到过阻尼的随机指数欧拉离散下的动力学Langevin蒙特卡洛分析

    arXiv:2510.03949v3 Announce Type: replace-cross Abstract: Simulating the kinetic Langevin dynamics is a popular approach for sampling from distributions, where only their unnormalized densities are available. Various discretizations of the kinetic Langevin dynamics have been cons…

相关实体

相关话题