Амортизированный вывод с помощью одноэтапного Имплицитного отбора проб

arXiv: 2610.12679v1 Annuate Type: New Humber Abstractive: Эффективный отбор проб из байесовских задних дивидендов в высоких размерах остается сложной проблемой, несмотря на достижения в теории и алгоритмах. Обычно требуется несколько шагов для отбора беспристрастных проб, например итерации алгоритма MCMC или ступеней интеграции в амортизируемый пробоотборник на основе диффузии. Однако масштабируемый одноэтапный вывод по-прежнему остается сложной открытой проблемой. В этой работе мы опираемся на достигнутый в последнее время прогресс в деле разработки моделей, основанных на данных, с тем чтобы предложить возможное решение для одноэтапного амортизированного отбора проб. Наш одноэтапный косвенный пробоотборник (OSIS) использует кратковременную динамику MCMC для определения местной цели эволюции имплицитно моделируемого распределения. В асимптотической области смоделированное распределение представляет собой фиксированную точку ядра MCMC и, таким образом, берется из мишени. Мы анализируем конвергенционные свойства ОСИС и демонстрируем связи с другими алгоритмами разработки моделей и отбора проб. Мы изучаем различные дези.