利用DoGS提升吉布斯采样器扫描质量
机器学习
2017-07-20 v1 机器学习
概率论
统计方法学
摘要
Dobrushin的成对影响矩阵长期以来被用作分析工具，以界定吉布斯采样收敛速率的界限。在本工作中，我们利用Dobrushin影响作为实用工具的基础，以认证并有效提升离散吉布斯采样器的质量。我们的Dobrushin优化吉布斯采样器（DoGS）针对给定的采样预算和感兴趣变量子集提供定制的变量选择顺序，给出到平稳分布的总变差距离显式界限，并证明相对于标准系统扫描和均匀随机扫描吉布斯采样器有可认证的改进。在联合图像分割与对象识别、马尔可夫链蒙特卡洛极大似然估计以及伊辛模型推断的实验中，DoGS以显著更小的采样预算持续提供更高质量的推断。
引用
@article{arxiv.1707.05807,
title = {Improving Gibbs Sampler Scan Quality with DoGS},
author = {Ioannis Mitliagkas and Lester Mackey},
journal= {arXiv preprint arXiv:1707.05807},
year = {2017}
}
备注
ICML 2017