面向随机划分吸引模型的快速混合 Swendsen-Wang 采样器
机器学习
2017-04-10 v1 机器学习
摘要
吉布斯采样器是用于图模型（GMs）中学习和推断问题的一种特别流行的马尔可夫链。这些任务通常在计算上难以处理，并且吉布斯采样器经常遭受缓慢混合。本文中，我们研究 Swendsen-Wang 动力学，这是一种更复杂的马尔可夫链，旨在克服阻碍吉布斯采样器的瓶颈。我们在具有 n 个顶点的随机划分图上，在一些温和条件下，证明了吸引型二值成对 GMs（即铁磁伊辛模型）的 O(\log n) 混合时间，包括吉布斯采样器被证明以指数级缓慢混合的低温区域。我们的实验也证实，当用于学习吸引型 GMs 的参数时，Swendsen-Wang 采样器显著优于吉布斯采样器。
引用
@article{arxiv.1704.02232,
title = {Rapid Mixing Swendsen-Wang Sampler for Stochastic Partitioned Attractive Models},
author = {Sejun Park and Yunhun Jang and Andreas Galanis and Jinwoo Shin and Daniel Stefankovic and Eric Vigoda},
journal= {arXiv preprint arXiv:1704.02232},
year = {2017}
}