Статистические данные > Расчеты [представлены 8 июля 2024 (v1), последний пересмотренный вариант 15 сентября 2026 года (эта версия, v4)] Название: Kinetic Interacting Particle Langevin Monte Carlo View PDF HTML (экспериментальный) Резюме: Настоящий документ представляет и анализирует взаимодействующие алгоритмы Лангевинов, называемые "Kinetic Interactioning Priminal Langegevins Monté Caro" (KIPLMC), для статистической оценки в скрытых переменных моделях. Мы предлагаем процесс распространения, который развивается совместно в пространстве параметров и скрытых переменных и показывает, что стационарное распределение этого рассеивания концентрируется вокруг оценки максимальной предельной вероятности параметров. Затем мы представляем две четкие дискретизации этого распространения в качестве практических алгоритмов для оценки параметров статистических моделей. Для каждого алгоритма мы получаем неасимптотические скорости конвергенции в Вассерштейне-2 для случая, когда совместный log-lipplementality сильно сжимается по латентным переменным и параметрам. Мы добиваемся ускоренных темпов конвергенции, четко демонстрирующих улучшение зависимости между измерениями. Для того чтобы продемонстрировать полезность введенной методологии, мы проводим цифровые эксперименты, которые демонстрируют эффективность предлагаемого распространения статистических данных. Наша структура охватывает широкий круг прикладных программ, включая неконтролируемое обучение, статистические выводы и обратные проблемы.…
Кинетическое взаимодействие частицы Лангевин Монте Карло
arXiv:2407,05790v4 Annualce Type: заменить резюме: В настоящем документе представлены и анализируются взаимодействующие алгоритмы Лангевина, известные под названием Kinetic Interacting Percient Langevin Monte Carlo (KIPLMC), для статистических выводов в скрытых переменных моделях. Мы предлагаем процесс распространения, который развивается совместно в пространстве параметров и скрытых переменных и показывает, что стационарное распределение этого рассеивания концентрируется вокруг оценки максимальной предельной вероятности параметров. Затем мы представляем две четкие дискретизации этого распространения в качестве практических алгоритмов для оценки параметров статистических моделей. Для каждого алгоритма мы получаем неасимптотические скорости конвергенции в Вассерштейне-2 для случая, когда совместный log-lipplementality сильно сжимается по латентным переменным и параметрам. Мы добиваемся ускоренных темпов конвергенции, четко демонстрирующих улучшение зависимости между измерениями. Чтобы продемонстрировать полезность введенной методологии, мы