多保真度无转采样

马尔可夫链蒙特卡罗（MCMC）方法对于高度相关或高维的目标密度函数往往需要多次迭代才能收敛。哈密顿蒙特卡罗（HMC）或无转采样（NUTS）等方法利用密度函数的一阶导数来解决上述问题。然而，导数的计算对于计算代价昂贵的模型而言是一个瓶颈。我们提出首先构建一个多保真度高斯过程（GP）代理模型。该多保真度代理模型的基本组成是一系列近似误差递减、计算代价递增的模型层次结构。随后生成的多保真度代理模型被用于近似导数。大部分计算被分配给廉价模型，从而降低了总体计算代价。多保真度方法的导数被用于探索目标密度函数并生成提议。我们使用最高保真度模型依据梅特罗波利斯-黑斯廷斯准则接受或拒绝提议，从而确保所提方法关于最高保真度密度函数是遍历的。我们将所提方法应用于三个测试用例，包括一些知名基准，以与现有方法进行比较，并表明多保真度无转采样优于其他方法。