Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 논문은 병렬 샘플링 환경에서 라운드 복잡도를 분석하고, 두 가지 다른 기준으로 계산된 최소 기대 라운드 수의 차이를 보여줍니다. 특히 이중 로그 순서로 달성 가능한 최적화 결과를 제시하며, 카운트-상태 재귀가 정확한 최소 출력 발산을 제공함을 증명합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG (Machine Learning)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기병렬 샘플러는 어떤 좌표들을 함께 생성할지 무작위로 선택할 수 있습니다. 목표 분포 $p$와 각 출력에 대해 새로 추출되는 스케줄 $U$의 출력 법칙 $q_U$를 가지고, 우리는 스케줄 평균 발산 $ ext{E}U D{ ext{KL}}(p||q_U)$을 출력 법칙 발산 $D_{ ext{KL}}(p|| ext{E}U q_U)$와 비교하며, 이는 nats 단위입니다. 라운드는 해당 라운드 시작 시점에 고정된 정확한 조건부 주변 분포로부터 독립적인 추출을 수행하며, 각 출력의 스케줄은 스케줄의 유한 혼합(finite mixture)으로부터 샘플링되기 전에 추출되고, 모든 예정된 라운드가 비용 청구됩니다. 길이가 짝수인 $n$인 이진 문자열에 대한 균일 분포 중 $n/2$개의 1을 갖는 경우, 고정된 허용 오차 $ ext{ε}>0$ 하에서 최소 기대 라운드 수는 첫 번째 기준으로 볼 때 $ ext{Θ} ext{ε}(( ext{log } n)^2)$이지만, 두 번째 기준으로는 $(e^{- ext{ε}}+o(1)) ext{log}_2 ext{log } n$이며, 이 이중 로그 순서는 모든 실행에서 동일한 라운드 수로 달성 가능합니다. 이 목표에 대해, 카운트-상태 재귀는 모든 인과적 무작위 정책 하의 모든 라운드 제한에서 정확한 최소 출력 발산을 제공합니다. 이러한 분리는 가중치 비율이 유한하고 할당량 분율이 0과 1에서 멀리 떨어진 범위 내에 있는 가중 고정-카운트 목표로 확장되며, 순열 대칭성이 없는 경우에도 적용되고, 전체 지원 $ ext{Beta}(1,1)$--베르누이 목표까지 확장됩니다. 여기서 출력 법칙 기준으로 계산된 급격한 기대 비용은 $(e^{- ext{ε}}/2+o(1)) ext{log}_2 ext{log}2 n$이며, 이는 드문 $n$-라운드 실행을 통해 달성됩니다. 이전 연구들은 균형 잡힌 목표에 대한 스케줄 평균 비용의 순서와 두 확장 모두에서 그 $ ext{O} ext{ε}(( ext{log } n)^2)$ 상한선을 제시했습니다.