제약된 볼록 영역에 대한 로그우도 확률 분포로부터 표본 추출을 위한 분산형 근접 확률적 경사 랜지민 역학 (DE-PSGLD)
요약
이 논문은 로그우도 확률 분포를 제한된 볼록 영역으로 국한하여 표본 추출하기 위한 새로운 분산형 마르코프 체인 몬테 카를로(MCMC) 알고리즘인 DE-PSGLD를 제안합니다. 이 방법은 Moreau-Yosida envelope 기반의 공유 근접 정규화를 사용하여, 제약 조건 하에서도 업데이트 과정의 일관성을 유지하면서도 비제약적인 계산을 가능하게 합니다. 연구진은 2-Wasserstein 거리에서 수렴을 보장하고, 실제 및 합성 데이터셋에서 높은 성능과 빠른 후방 집중 능력을 입증했습니다.
핵심 포인트
- DE-PSGLD는 로그우도 분포를 제약된 볼록 영역으로 표본 추출하는 분산형 MCMC 알고리즘이다.
- Moreau-Yosida envelope 기반의 공유 근접 정규화를 통해 제약을 유지하면서 비제약적 업데이트가 가능하다.
- 2-Wasserstein 거리에서 비점근적 수렴을 보장하며, 이는 이론적 안정성을 제공한다.
- 실제 및 합성 데이터셋 평가 결과, DE-PSGLD는 빠른 후방 집중과 높은 예측 정확도를 보여준다.
로그우도 확률 분포를 제약된 볼록 영역으로 제한하여 표본 추출하기 위한 분산형 마르코프 체인 몬테 카를로 (MCMC) 알고리즘인 분산형 근접 확률적 경사 랜지민 역학 (DE-PSGLD) 을 제안합니다. 제약을 부과하는 방식은 Moreau-Yosida envelope 를 기반으로 한 공유 근접 정규화를 통해 이루어지며, 이는 제약이 없는 업데이트를 가능하게 하되 목표 제약 후방과 일관성을 유지합니다. 개별 에이전트 반복과 네트워크 평균에 대해 2-Wasserstein 거리에서 비漸近적 수렴 보장을 수립했습니다. 우리의 분석은 DE-PSGLD 가 정규화된 Gibbs 분포로 수렴함을 보여주며, 근접 근사로부터 도입된 편향을 정량화합니다. 합성 및 실제 데이터셋을 사용하여 다양한 표본 추출 문제에 대해 DE-PSGLD 를 평가했습니다. 제약된 영역을 위한 첫 번째 분산형 접근법으로서, 우리의 알고리즘은 빠른 후방 집중과 높은 예측 정확도를 보여줍니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기