离散空间中增强的基于梯度的MCMC
机器学习
2022-08-02 v1 机器学习
摘要
近期为离散空间引入的基于梯度的MCMC极具前景，并带来了令人向往的可能性：为诸如MALA和HMC等著名连续方法建立新的离散对应物。朝此目标，我们引入了若干概念上受MALA启发的离散Metropolis-Hastings采样器，并展示了它们在贝叶斯推断与基于能量建模中一系列具挑战性采样问题上的强劲经验性能。在方法上，我们指出了为何预条件MALA的离散类比通常不可行，这促使我们引入一种基于辅助变量与“高斯积分技巧”的新型预条件。
引用
@article{arxiv.2208.00040,
title = {Enhanced gradient-based MCMC in discrete spaces},
author = {Benjamin Rhodes and Michael Gutmann},
journal= {arXiv preprint arXiv:2208.00040},
year = {2022}
}