Ai-抽样器：基于不变量映射的对抗性马尔可夫核学习
机器学习
2024-06-05 v1 机器学习
摘要
蒙特卡尔方法（MCMC）在统计学中因其灵活的采样复杂概率分布的能力而广受欢迎。本文提出一种方法，对马尔可夫链的转移核进行参数化和训练，以实现高效采样和良好的混合性能。该训练过程最小化链的平稳分布与数据经验分布之间的总变差距离。我们的做法利用由可逆神经网络构成的不变量Metropolis-Hastings核，通过构造确保详细平衡。我们发现，可逆性也意味着判别函数具有 -等变性，这可以用于限制其函数空间。
引用
@article{arxiv.2406.02490,
title = {Ai-Sampler: Adversarial Learning of Markov kernels with involutive maps},
author = {Evgenii Egorov and Ricardo Valperga and Efstratios Gavves},
journal= {arXiv preprint arXiv:2406.02490},
year = {2024}
}