抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
Livingstone&Zanella(2021)に導入された一次局所平衡メトロポリス-Hastingsアルゴリズムのクラスを研究した。クラス内の特定のアルゴリズムを選ぶために,ユーザはバランス関数g:R→Rを満足するg(t)=tg(1/t)と提案増分のための雑音分布を選択する必要がある。クラス内の平面選択は,メトロポリス調整Langevinアルゴリズムと最近導入したBarker提案である。著者らは,まず,次元nが,gに関する穏やかな平滑度仮定の下で,クラスのすべてのメンバーの間で無限になる傾向があり,そして,アルゴリズムのための目標分布が製品形態であるとき,次元nが無限になる傾向があるので,57%の普遍的限界最適受容率およびn ̄-1/3のスケーリングを確立した。特に,予測二乗ジャンプ距離によって測定されるように,クラスにおける任意のアルゴリズムの漸近効率に対する明示的表現を得た。次に,様々な制約の下でこの表現を最適化する方法を考察した。Barker提案のための雑音分布の最適選択,Gauss雑音分布の下での均衡関数の最適選択,および全クラス間の一次局所平衡アルゴリズムの最適選択を導出し,特定のターゲット分布に依存することがわかった。数値シミュレーションは,著者らの理論的発見を確認し,特に,Barker提案における雑音分布のバイモーダル選択が,元のGaussバージョンよりも一貫してより効率的である実用的アルゴリズムを生じさせることを示した。【JST・京大機械翻訳】