Metropolis-Hastingsサンプラのための分散低減【JST・京大機械翻訳】

Alexopoulos Angelos; Dellaportas Petros; Titsias Michalis K.

プレプリント

J-GLOBAL ID：202202209346979179 整理番号：22P0298918

Metropolis-Hastingsサンプラのための分散低減【JST・京大機械翻訳】

Variance Reduction for Metropolis-Hastings Samplers

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年03月04日プレプリントサーバーでの情報更新日： 2022年03月04日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

著者らは,ランダムウォークメトロポリスとメトロポリス調整Langevinアルゴリズムのための縮小分散を有する推定子を構築する一般的フレームワークを導入した。得られた推定器は,無視できる計算コストを必要とし,メトロポリスアルゴリズムの全ての提案値を利用する後処理方式で導出される。Markov連鎖の目標密度に関連したPoisson方程式の近似解を通して,制御変量を生成することによって,分散低減を達成した。提案方法は,Gaussのターゲット密度を近似し,次にGaussケースに対するPoisson方程式の正確な解を利用する。これは,2つの重要な要素を使用する推定器をもたらす。(i)提案分布の下で扱い難い期待値を含むPoisson方程式からの制御変量,(ii)この後者の難治性期待値のモンテカルロ推定の分散を低減するための第二の制御変量。模擬データ例を用いて,Gaussターゲット事例で達成される印象的分散低減と,ターゲットGauss仮定が破られるときの対応する効果を説明した。Bayesロジスティック回帰と確率的ボラティリティモデルに関する実データ事例は,かなりの分散低減が無視できる余分な計算コストで達成されることを検証した。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

数値計算 , 人工知能

前のページに戻る