基于归一化流提议的独立 Metropolis-Hastings 采样器自适应
统计计算
2021-10-27 v1
摘要
马尔可夫链蒙特卡洛（MCMC）方法是处理复杂概率分布计算的有力工具。然而此类方法的性能严重依赖于恰当调优的参数，而对于给定目标分布，这些参数大多难以甚至无法先验获知。自适应 MCMC 方法旨在通过允许基于链中先前样本在采样期间更新参数来解决此问题，代价是需要新的理论分析以确保收敛。在这项工作中，我们将自适应 MCMC 方法的收敛理论扩展到一类基于强大参数化密度估计器（称为归一化流）构建的新方法。具体而言，我们考虑一种独立 Metropolis-Hastings 采样器，其中提议分布由归一化流表示，其参数使用随机梯度下降进行更新。我们在合成设置以及物理场系统分析中探究该过程的实用性能，并将其与自适应及非自适应 MCMC 方法进行比较。
引用
@article{arxiv.2110.13216,
title = {Adaptation of the Independent Metropolis-Hastings Sampler with Normalizing Flow Proposals},
author = {James A. Brofos and Marylou Gabrié and Marcus A. Brubaker and Roy R. Lederman},
journal= {arXiv preprint arXiv:2110.13216},
year = {2021}
}