Assessing the quality of posterior samples from No-U-Turn Hamiltonian Monte Carlo
Notice bibliographique
Résumé
ABR G La prsence de transitions divergentes dans les chantillons postrieurs gnrs par Stan compromet les proprits d'chantillons finis des estimateurs HMC cause d'une perte d'ergodicit gomtrique.Mme si ces divergences sont trs utiles pour identifier des problmes avec l'exploration de la distribution postrieure, il n'existe pas encore de mthode claire pour diminuer ou liminer ces transitions divergentes pour un modle gnral.Pour quelques modles, la meilleure solution est de prendre des chantillons avec des pas plus petits.Pour d'autres, reparamtrer tout le modle pourrait tre ncessaire.Ce travail examine en dtail les comportements de divergence.Nous utilisons d'abord les donnes de l'exemple 'Eight Schools' pour montrer que ces divergences empirent la qualit des chantillons gnrs par Stan.Nous discutons ensuite quelques options pour dterminer si un modle a besoin de plus petit pas ou d'un reparamtrage complet pour gnrer des chantillons de qualit.Dans le dernier chapitre, nous adaptons un modle conu pour des expriences d'incubation de sol pour montrer que, malgr un grand nombre de transitions divergentes dans les premiers rsultats, il est possible de gnrer des chantillons de plus haute qualit en rduisant simplement la taille de pas dans notre modle.De plus, nous montrons que certaines transitions divergentes peuvent avoir un effet sur les estimations de certains paramtres plus que sur d'autres.
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.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
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.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».