Markov chain Monte Carlo
PulseAugur coverage of Markov chain Monte Carlo — every cluster mentioning Markov chain Monte Carlo across labs, papers, and developer communities, ranked by signal.
15 天有情绪数据
-
新的采样方法提高了复杂分布的效率 · 跟踪 2 个来源
研究人员开发了一种名为 Gradient-free Riemannian Langevin Sampler (GRiLS) 的新方法，以提高多模态概率分布采样的效率。该方法旨在克服标准马尔可夫链蒙特卡洛方法在混合不良和模式陷阱方面的局限性。GRiLS 利用黎曼度量重塑局部几何形状，促进模式之间的转换，而无需对目标密度进行梯度评估，使其适用于复杂的计算目标。此外，另一篇论文探讨了通用空间上的快速行列式采样，为数据集表示提供了基于核的方法…
-
新框架增强了复杂贝叶斯问题的神经似然近似能力
研究人员开发了一种用于贝叶斯逆问题中神经似然近似的新框架，解决了复杂科学和工程模型带来的挑战。该方法通过最小化 Kullback-Leibler 散度来训练似然代理模型，这等同于最小化预期的负对数似然。所提出的方法通过允许非归一化势函数来改进理论基础，使学习问题严格凸化，并确保经验最小化器在数据充足时收敛到真实似然。该框架已成功应用于去模糊和基于非线性 PDE 的成像问题。
-
PRISM3D 框架从极端运动模糊中重建三维场景
研究人员开发了 PRISM3D，一个用于从严重运动模糊图像中进行三维场景重建的新框架，传统方法在此类任务中会失败。该系统采用鲁棒初始化策略，利用深度密集跟踪建立全局拓扑，并通过马尔可夫链蒙特卡洛 (MCMC) 的概率公式进行几何致密化。一个扩展版本 PRISM3D-E 集成了事件流以增强重建保真度，并创建了一个新的基准数据集 PRISM3D-E Benchmark 来评估这些多模态能力。
-
新的贝叶斯GLMM集成神经网络编码器用于多模态数据分析
研究人员开发了一种将神经网络编码器集成到贝叶斯广义线性混合模型（GLMM）中的新方法。这种方法使GLMM能够处理图像和文本等高维数据模态，而传统模型难以应对。该方法使用方差校正的随机梯度MCMC进行参数估计，并在模拟以及青光眼进展和青少年心理健康的应用中证明了其有效性。
-
新方法使用梯度范数量化神经网络不确定性
研究人员开发了一种量化神经网络（尤其是大型语言模型）不确定性的新颖方法，通过梯度范数和各向同性假设来近似预测不确定性。该方法无需访问训练数据，即可从一次前向-后向传播中估计认知不确定性和随机不确定性。该方法的有效性已通过与马尔可夫链蒙特卡洛估计的对比得到验证，显示出与模型规模相关的良好对应性。当应用于问答任务时，结合的不确定性估计被证明有助于预测答案的正确性，在TruthfulQA上表现最佳（因为真实答案之间存在冲突），但在Trivi…
-
扩散模型加速了凝聚态物理模拟中的热化过程
研究人员开发了一种新的扩散模型技术，用于高效采样具有连续对称性的自旋系统状态，并将其应用于凝聚态物理中的XY模型。该方法通过能够推广到更大的系统尺寸，克服了传统马尔可夫链蒙特卡洛（MCMC）的局限性。通过在较小的晶格上训练一个温度条件扩散模型，它可以为更大的晶格生成准确的样本，与标准的MCMC相比，热化时间显著缩短了一个数量级。
-
扩散模型加速物理学研究中的Schwinger模型采样
研究人员探索了一种新颖的基于扩散的方法来加速Schwinger模型的采样，这是格点量子场论中的一个问题。他们开发了一种U(1)等变评分生成模型来生成规范链构型，证明它可以产生可与传统马尔可夫链蒙特卡洛（MCMC）模拟相比的无偏可观测量估计。该方法还在临界参数附近减少拓扑冻结方面显示出潜力，在定性指标上优于混合蒙特卡洛（HMC）。
-
新的吉布斯分布提高了蒙特卡洛积分的准确性
研究人员开发了一种新颖的吉布斯分布，旨在改进蒙特卡洛积分方法。随着温度参数的降低，该分布的支持集中在 MMD 最小化器周围，与标准蒙特卡洛求积法相比，在无限维再生核希尔伯特空间中提供了更紧密的集中不等式和更小的置信区间。虽然理论误差界与 i.i.d. 蒙特卡洛相匹配，但改进的集中度提供了实际优势。使用简单的 MCMC 链进行的数值实验表明，从该吉布斯分布采样可以产生近似样本，从而增强目标积分的置信区间，这与理论发现一致。
-
基于仿真的推断为流行病学模型提供更快的贝叶斯校准
一篇新研究论文提出，使用基于仿真的推断（SBI）作为马尔可夫链蒙特卡洛（MCMC）的更快、更有效的替代方法，用于校准流行病学模型。该研究使用了来自德国的COVID-19 ICU占用数据，发现SBI可以在显著更短的时间内获得与MCMC相当的结果，将某些推断任务的计算运行时间从数千秒缩短到不到一分钟。这种效率使得SBI成为实时疫情分析和重复预测的有前途的工具。
-
新的拉普拉斯-费舍尔门恒等式增强了贝叶斯逆问题的评分估计
研究人员开发了一种名为拉普拉斯-费舍尔门恒等式（LFGI）的新方法，用于从非归一化目标进行采样时的评分估计。该方法使用矩阵值混合系数（门）来优化条件风险最小化。推导了LFGI公式，并证明其在不改变估计量期望值的情况下降低了方差。该方法已应用于贝叶斯逆问题的归一化密度评估，改进了密度校准和采样诊断。
-
新工作流程协同MCMC和高斯过程用于化学反应发现
研究人员开发了一种名为PC-MCMC-CIGP的新型灰盒工作流程，该工作流程集成了物理约束马尔可夫链蒙特卡洛（MCMC）采样和化学信息高斯过程（CIGP），用于发现反应网络。该方法通过将离散反应拓扑与连续动力学参数校准相结合，解决了从稀疏且嘈杂的化学数据中提取可解释方程的挑战。在基准反应上的实验证明了该工作流程区分基本途径和提高反应产物的能力，特定的采集策略在实验设计中显示出不同的权衡。
-
新的分层模型增强了分组数据的排名聚合 · 跟踪到2个来源
研究人员引入了分层偏序（HPO）模型，这是现有排名聚合技术的扩展，旨在处理具有潜在分层结构的分组数据。这些模型建立在偏序概念的基础上，允许偏好中的不可比性，并能够跨组进行原则性的信息共享。该论文还提出了用于无监督聚类的分层聚类偏序（HCPO）模型，并展示了它们在包括LLM代理轨迹在内的各种数据集上的有效性，在预测性能和可解释性方面优于现有方法。
-
马来西亚打击非法世界杯博彩，查获逾12.4万美元
马来西亚当局已启动一项针对非法世界杯博彩的重大打击行动，逮捕了58名嫌疑人，并查获了超过50万林吉特（合12.4万美元）的非法资金。此次行动从6月11日持续至7月19日，涉及马来西亚警方和马来西亚通讯及多媒体委员会等多个机构。警方已进行了52次突袭，并针对用于赌博推广的42个网站和社交媒体平台进行了打击。
-
DeepGaLA：新的神经网络代理模型增强了逆问题求解能力 · 跟踪到2个来源
研究人员开发了DeepGaLA，这是一种新颖的神经网络代理模型，旨在提高求解微分方程逆问题的效率和准确性。这种新方法提供不确定性感知的预测，这对于减少过度自信的推断至关重要，尤其是在训练数据有限的情况下。DeepGaLA在精度上与现有的高斯过程代理模型相当，但在参数维度增加时效率更高，使其成为复杂科学和工程系统中贝叶斯推断的可扩展解决方案。
-
揭示用于贝叶斯混合模型的新联邦学习方法
研究人员开发了一种用于在联邦学习环境中推断贝叶斯混合模型的新流程，通过允许数据保持隔离来解决隐私问题。该方法将变分共识蒙特卡洛 (CMC) 扩展到过度拟合模型，能够在无共轭的情况下推断簇数量和参数。它还引入了新颖的簇匹配算法，用于在簇可能不会出现在每个本地数据集中的跨数据孤岛场景，并提供了针对不同联邦学习约束量身定制的各种推断策略。
-
新的贝叶斯方法检测多元函数数据中的异常
研究人员开发了一种新颖的贝叶斯非参数方法，用于识别多元函数数据中的异常。该方法将数据建模为多输出高斯过程的无限混合，通过切片采样自动确定组件数量。该方法利用小波基和 Besov 先验来表示均值函数，并通过内在共区域化模型捕获跨函数依赖性。通过将观测值分配给小的混合组件来识别异常，即使在存在显著的类别不平衡和有限的标记数据的情况下也是如此。
-
新的MCMC方法使用神经网络自适应地停止采样
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。
-
新论文探讨深度神经网络更快的量化不确定性方法
研究人员在arXiv上发表了一篇关于深度神经网络的基于评分的鞅后验（SMPs）的论文。该方法为机器学习中量化不确定性的传统马尔可夫链蒙特卡洛技术提供了一种潜在的更快替代方案。论文探讨了SMPs在深度神经网络中推断参数的应用，并将其功效与现有的蒙特卡洛方法进行了比较。
-
新的AI方法增强了MRI重建和不确定性量化
两篇新研究论文提出了先进的磁共振成像（MRI）重建方法。第一篇论文介绍了一个利用稀疏性先验和马尔可夫链蒙特卡洛采样的贝叶斯框架，以改进图像重建和量化不确定性，其性能优于基于优化的方法和一些深度学习方法。第二篇论文提出了一种物理驱动的零样本自监督学习方法，该方法结合了物理一致性和非局部图像先验，以增强MRI重建，特别是在高加速因子下，并取得了最先进的结果。
-
新的MCMC方法解决了具有对称性的贝叶斯模型
研究人员开发了一种名为Folded Transport MCMC (FolT-MCMC) 的新MCMC方法，以应对具有对称性的贝叶斯模型中的挑战。该方法通过使用学习到的归一化流在对称群的基本域上构建独立采样器，直接推断商后验。FolT-MCMC在收敛诊断和认证下界方面提供了显著改进，在各种混合模型和真实世界数据上实现了2倍至145倍的提升。