研究人员开发了一种新颖的方法，用于无偏估计参数化马尔可夫链中平稳均值的梯度。这种新方法对于混合缓慢的链特别有效，并且可以应用于涉及神经网络的参数化。该方法需要一个评估转移密度及其梯度的预言机，可能带来显著的效率提升，理论预测和数值实验均支持这一点。 AI
影响 这项研究可以提高利用马尔可夫链特性的复杂机器学习模型的训练效率。
排序理由 该集群包含一篇详细介绍新研究方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
新方法改进马尔可夫链的梯度估计
报道来源 [2]
-
Unbiased Derivative Estimation for Stationary Mean of Parameterized Markov chains
arXiv:2606.11487v1 Announce Type: cross Abstract: We propose a new approach to unbiased estimation of the gradients of the stationary means associated with parametrized families of Markov chains. Our estimators are particularly efficient when the Markov chains have slow mixing ra…
-
参数化马尔可夫链平稳均值的无偏导数估计
We propose a new approach to unbiased estimation of the gradients of the stationary means associated with parametrized families of Markov chains. Our estimators are particularly efficient when the Markov chains have slow mixing rate. Our approach does not require a specific param…