用于良好拟合测试的纤维抽样学习
机器学习
2025-12-31 v4 机器学习
摘要
我们考虑构建离散指数族模型的精确良好拟合测试的问题。这个经典问题在许多类型的数据上仍未实际解决，因为其依赖于一个计算困难的核心任务：从高维多面体中的格点生成可靠样本。我们将问题转化为马尔可夫决策过程，并演示了一种基于强化学习的方法来学习 'good moves' 以进行抽样。我们在数据集和模型上说明了该方法，其中传统的 MCMC 抽样器由于问题规模、稀疏结构以及要求进行禁用非线性代数运算的原因收敛速度太慢。区分因素是使用来自 \emph{线性} 代数的可扩展工具，在 \emph{非线性} 代数的理论保证背景下。我们的算法基于 actor-critic 抽样方案，并具有可证明的收敛性。发现的移动方式可用于高效获取 exchangeable sample，大幅度地缩短统计测试的时间。
引用
@article{arxiv.2405.13950,
title = {Learning to sample fibers for goodness-of-fit testing},
author = {Ivan Gvozdanović and Sonja Petrović},
journal= {arXiv preprint arXiv:2405.13950},
year = {2025}
}
备注
Most notable change is the link to code on github that implements the actor critic fiber sampler algorithm in python. Otherwise, minor revision adding some examples