Gibbs sampler
PulseAugur coverage of Gibbs sampler — every cluster mentioning Gibbs sampler across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的有限秩逻辑高斯过程方法用于密度估计
研究人员开发了一种名为有限秩逻辑高斯过程（ExFR-LGP）的新方法，用于条件密度估计。该方法允许对逻辑高斯过程进行精确似然计算，克服了先前近似方法的局限性。ExFR-LGP 为归一化常数、条件均值和分位数提供了闭式表示，并使用带有椭圆切片采样的 Gibbs 采样器进行后验采样。该方法在合成数据实验中显示了有效性，并已应用于分析阿尔茨海默病神经影像学计划数据中的分数各向异性响应，提供了具有不确定性的协变量调整百分位数带。
-
Particle GFlowNets 统一生成模型，加速训练
研究人员推出了一种新方法 Particle GFlowNets，它将生成边际化模型 (MaMs) 与生成流网络 (GFlowNets) 统一起来。这种新方法通过实现更快的后验评估并将其采样策略扩展到非自回归生成过程来增强 MaMs。通过纳入源自 Gelman-Rubin 统计量用于全状态 पुनर्जीवन (rejuvenation) 的标准，Particle GFlowNets 显著加速了在大型组合空间中的训练收敛，实验证明了这一点。
-
新的贝叶斯模型增强了具有演化动力学的时间序列分析
研究人员引入了一种名为“具有时变转移动力学的泊松-伽马动力系统”（TV-PGDS）的新贝叶斯方法，以更好地对计数型时间序列进行建模。该先进系统允许模型内的转移矩阵随时间演变，从而捕捉数据中更复杂和不断变化的关系。TV-PGDS 利用特定的狄利克雷马尔可夫链和吉布斯采样器进行高效的后验模拟，通过学习这些时变依赖性，展示了比现有模型更优越的预测性能。
-
新研究提供更快的马尔可夫链收敛方法
两篇新研究论文提出了加速马尔可夫链收敛的新方法。第一篇论文引入了一个称为“渐近等价于目标”的标准，提供了一条无需依赖不可约性或非周期性等传统概念即可直接证明收敛的途径。第二篇论文提出了一个称为“延迟接受正则化和退火”（DART）的框架，该框架通过利用目标密度的几何信息而不直接计算梯度来实现马尔可夫链更快的混合时间。