Снижение сложности псевдо-маргинальной последовательности Монте Карло через иерархическую температуру

arXiv: 2610.37082v1 Annualce Type: новый резюме: Байесовский подход к обратным проблемам обеспечивает мощную основу для вывода неизвестных параметров из шумных наблюдений. К числу наиболее сложных проблем статистического анализа относятся проблемы с трудноразрешимой вероятностью, особенно при отсутствии объективной оценки вероятности. Мы сосредоточимся на классе таких проблем, где пристрастная оценка вероятности достигается посредством стохастического приближения к перспективной карте (сточастическое решение). Получение эмпирической аппроксимации запоздалых прикладных программ сопряжено с большими затратами в связи с неоднократными оценками стохастического растворителя, требуемыми стандартными методами отбора проб. Для решения этой проблемы мы разработали новый алгоритм, основанный на маргинализованном Sequential Monte Carlo (SMC) пробоотборнике. Наш подход (иерархический СМС) ускоряет процесс вывода, используя иерархию стохастических решающих вопросов с большей точностью как в рамках последовательности сдерживания, так и в ходе процесса.