Langevin Monte Carlo
PulseAugur coverage of Langevin Monte Carlo — every cluster mentioning Langevin Monte Carlo across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
用于跟踪移动目标的 Langevin 动力学新界限
研究人员为 Langevin 动力学中跟踪目标分布开发了新的理论界限，Langevin 动力学是一种用于统计机器学习的方法。该研究侧重于目标分布随时间变化的情况，使用 Rényi 散度提供非渐近保证。该框架适用于连续时间 Langevin 扩散及其离散近似，并具体应用于涉及连续 Moreau 包络的采样技术。
-
量子算法有望加速采样和优化
研究人员开发了新的量子算法，可在从复杂概率分布进行采样以及非凸优化任务方面提供加速。这些算法通过整合用于均值和梯度估计的量子子程序，增强了 Langevin Monte Carlo 和 Hamiltonian Monte Carlo 等经典方法。该研究适用于具有特定属性的分布，在 Wasserstein 距离和 Kullback--Leibler 散度方面提供了收敛保证，并展示了更快的采样如何加速各种目标的优化。
-
新的蒙特卡洛算法降低了随机梯度方法的方差
研究人员开发了用于随机梯度广义不可逆Langevin蒙特卡洛算法的新方差缩减技术。这些方法旨在提高广义不可逆Langevin动力学估计器的准确性，特别是在步长趋于零的情况下。在贝叶斯回归任务上的数值实验表明，与可逆方案相比，提出的不可逆方案持续降低了均方根误差。
-
Langevin Monte Carlo 方法获得改进的理论保证
研究人员为机器学习中的 Langevin Monte Carlo 方法开发了新的理论界限。该工作侧重于改进强对数凹陷设置下的非渐近保证，并使用 Wasserstein 距离来衡量误差。一项关键发现是，离散化误差取决于平均坐标平滑度而不是全局平滑度，这为广义线性模型等特定应用提供了潜在的改进。
-
新研究探索AI采样中Langevin动力学的理论指导
研究人员发布了关于组合式基于仿真的推理中退火Langevin动力学的理论指导，旨在通过提供超参数的明确决策规则来提高采样精度。另一篇论文通过大偏差理论为加速Langevin蒙特卡洛采样变体提供了一种统一的研究方法。第三项研究分析了预处理退火Langevin动力学（特别是针对多模态高斯混合模型）的维度均匀离散化，并展示了不同的离散化方案如何影响稳定性和准确性。