哈密顿近似贝叶斯计算

近似贝叶斯计算（Approximate Bayesian computation, ABC）是一个强大而优雅的框架，用于在基于模拟的模型中执行推断。然而，由于似然估计难以扩展，ABC 仍然仅适用于相对低维的问题。我们引入了哈密顿 ABC（Hamiltonian ABC, HABC），这是一组无似然算法，应用了利用哈密顿蒙特卡洛（Hamiltonian Monte Carlo, HMC）和随机梯度扩展贝叶斯学习的最新进展。我们发现，少量的前向模拟可以有效地近似 ABC 梯度，使得哈密顿动力学能够高效地遍历参数空间。我们还描述了一种新的简单而通用的方法，将随机种子纳入马尔可夫链的状态中，进一步减少了 HABC 的随机游走行为。我们在几个典型的 ABC 问题上展示了 HABC，并表明在高维机器学习问题上，HABC 的采样效果与使用真实梯度的常规贝叶斯推断相当。