Particle Markov Chain Monte Carlo Methods
Pourquoi ce travail est-il dans la base ?
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Scores machine (provisoires)
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
- Écart entre enseignants
- 0,320 · la distance entre les deux têtes enseignantes sur ce seul travail
- Statut de validation
score_only:v0-immature-baseline· tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle
Résumé
Summary Markov chain Monte Carlo and sequential Monte Carlo methods have emerged as the two main tools to sample from high dimensional probability distributions. Although asymptotic convergence of Markov chain Monte Carlo algorithms is ensured under weak assumptions, the performance of these algorithms is unreliable when the proposal distributions that are used to explore the space are poorly chosen and/or if highly correlated variables are updated independently. We show here how it is possible to build efficient high dimensional proposal distributions by using sequential Monte Carlo methods. This allows us not only to improve over standard Markov chain Monte Carlo schemes but also to make Bayesian inference feasible for a large class of statistical models where this was not previously so. We demonstrate these algorithms on a non-linear state space model and a Lévy-driven stochastic volatility model.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
La notice
- Revue
- Journal of the Royal Statistical Society Series B (Statistical Methodology)
- Thématique
- Markov Chains and Monte Carlo Methods
- Domaine
- Mathematics
- Établissements canadiens
- University of British Columbia
- Organismes subventionnaires
- —
- Mots-clés
- Markov chain Monte CarloMonte Carlo methodHybrid Monte CarloParticle filterMonte Carlo molecular modelingMonte Carlo method in statistical physicsComputer scienceMonte Carlo integrationStatistical physicsMarkov chain mixing timeQuasi-Monte Carlo methodMarkov chainMathematical optimizationAlgorithmApplied mathematicsMarkov modelMathematicsMarkov propertyArtificial intelligenceStatisticsMachine learningPhysics
- Résumé présent dans OpenAlex
- oui