Gibbs sampling
PulseAugur coverage of Gibbs sampling — every cluster mentioning Gibbs sampling across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的贝叶斯模型增强了比较判断的主动学习能力
研究人员开发了一种贝叶斯 Bradley-Terry 模型 (BBTM)，该模型通过 Polya-Gamma 数据增强提高了 Gibbs 采样的效率，从而能够更好地量化潜在能力和排名的不确定性。该研究提出了三种基于知识梯度原理的主动学习策略，利用 Kendall's tau 距离、后验排名熵和后验分离等指标来优化用于比较判断的配对选择。实验表明，BBTM 通常优于基于偏好的贝叶斯比较判断，尤其是在较低的噪声水平下，并引入了后验分离可靠…
-
新的采样方法加速了玻尔兹曼机训练
研究人员开发了一种名为 Langevin simulated bifurcation (LSB) 的新方法，用于从玻尔兹曼分布中进行更快、更并行的采样，玻尔兹曼分布是各种应用的基础。为了解决估计这些快速采样器生成的样本的有效温度的挑战，他们引入了 conditional expectation matching (CEM)。这种估计方法对于具有可利用条件独立结构的能量模型是有效的。结合这两者，创建了一个名为 sampler adapt…
-
新的贝叶斯信号分解方法使用扩散-Gibbs采样
研究人员开发了一种新颖的贝叶斯信号分量分解框架，将Gibbs采样与扩散先验相结合。这种新方法，称为扩散内Gibbs（DiG），允许将分量模型驱动和数据驱动的先验统一纳入扩散模型。DiG采样器可被证明从后验分布中产生样本，并扩展了现有的基于扩散的采样器，在数值实验中表现出优越的性能。
-
新工具利用Ising模型合成概率处理器以实现优化
研究人员开发了一种新工具，旨在合成和模拟利用Ising模型解决复杂组合优化问题的概率处理器。该工具可根据问题的具体情况自动生成Ising哈密顿量并确定所需的概率比特（p-bits）数量。它还采用一种自适应策略，从包括Gibbs采样、模拟退火、模拟量子退火和基于集群的方法在内的选项中选择最优更新算法。初步实验表明，这种灵活的框架提供了改进的收敛性，并支持未来硬件实现的开发。