PulseAugur
中
实时 13:02:17
English(EN) Stop the Sampler! Classifier-Based Adaptive Stopping for Sampling Kernels

新的MCMC方法使用神经网络自适应地停止采样

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一个新框架，该框架使用神经网络分类器来自适应地确定何时停止马尔可夫链蒙特卡洛（MCMC）方法的采样。这种方法被置于生成流网络（GFlowNets）的框架内，通过训练分类器来识别高密度区域，从而缩短轨迹长度并提高采样效率。该方法通过详细平衡条件，在理论上将最优分类器与目标密度联系起来，并在实验中与传统的MCMC基线相比，在模式覆盖和混合方面显示出显著的改进。 AI

影响 这项研究通过改进概率建模中的采样技术，可能带来更高效的AI驱动的科学发现。

排序理由 该集群包含一篇详细介绍机器学习新研究方法的学术论文。

在 arXiv stat.ML 阅读 →

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

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Kirill Korolev, Nikita Morozov, Stepan Pavlenko, Esmeralda S. Whitammer, Sergey Samsonov ·

    Stop the Sampler! Classifier-Based Adaptive Stopping for Sampling Kernels

    arXiv:2606.16073v1 Announce Type: new Abstract: Sampling from complex, unnormalized probability densities is a fundamental challenge in Bayesian inference and probabilistic modeling. While Markov chain Monte Carlo (MCMC) methods provide asymptotic guarantees, they often suffer fr…

  2. arXiv stat.ML TIER_1 English(EN) · Sergey Samsonov ·

    Stop the Sampler! Classifier-Based Adaptive Stopping for Sampling Kernels

    Sampling from complex, unnormalized probability densities is a fundamental challenge in Bayesian inference and probabilistic modeling. While Markov chain Monte Carlo (MCMC) methods provide asymptotic guarantees, they often suffer from slow mixing and high computational costs due …

相关实体

相关话题