GIST：面向局部自适应 Hamiltonian Monte Carlo 的 Gibbs 自整定
统计计算
2025-06-26 v4 统计理论
机器学习
统计理论
摘要
我们引入了一个新颖且灵活的框架，通过在每一步基于位置和动量对算法的整定参数进行条件 Gibbs 采样，来构建局部自适应的 Hamiltonian Monte Carlo (HMC) 采样器。对于路径长度的自适应采样，我们的 Gibbs 自整定（GIST）方法将随机化 HMC、多项式 HMC、No-U-Turn Sampler (NUTS) 和 Apogee-to-Apogee Path Sampler 作为特例包含在内。我们以 NUTS 的一种新颖替代方案为例展示了 GIST 框架，用于局部自适应路径长度，并使用高维、病态高斯测度的精确 Hamiltonian 以及针对一组多样化模型的 leapfrog 积分器对其进行了评估。
引用
@article{arxiv.2404.15253,
title = {GIST: Gibbs self-tuning for locally adaptive Hamiltonian Monte Carlo},
author = {Nawaf Bou-Rabee and Bob Carpenter and Milo Marsden},
journal= {arXiv preprint arXiv:2404.15253},
year = {2025}
}
备注
for companion code, see https://github.com/bob-carpenter/adaptive-hmc