两篇新研究论文探讨了从复杂概率分布中采样的先进技术，这是机器学习中的一项关键任务。第一篇论文提交至 arXiv，侧重于非对数凹分布的方差缩减方法，如 SGD with momentum、STORM 和 PAGE，建立了改进的收敛速率，并展示了它们在成像应用中的有效性。第二篇论文也发布在 arXiv 上，提出了一种约束下的对数凹采样随机中点方法，为约束域中的 Langevin 算法提供了新的收敛保证，并显示了接近最优的结果。 AI
影响 这些论文推进了从复杂分布中采样的理论理解和实践方法，这对于生成模型和机器学习中的逆问题至关重要。
排序理由 该集群包含两篇发布在 arXiv 上的学术论文，详细介绍了机器学习采样技术方面的新研究。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2606.16257v1 Announce Type: cross Abstract: Sampling from high-dimensional, non-log-concave distributions with unnormalized densities is a fundamental challenge in machine learning, particularly when the exact gradient of the potential is unavailable and must be approximate…
arXiv:2405.15379v3 Announce Type: replace Abstract: In this paper, we study the problem of sampling from log-concave distributions supported on convex and compact sets, with a particular focus on the randomized midpoint discretization of both overdamped and kinetic Langevin diffu…