Towards scaling up markov chain monte carlo , an adaptive subsampling approach

Towards scaling up markov chain monte carlo , an adaptive subsampling approach

Los mťodos Monte Carlo mediante cadenas de Markov se estiman a menudo como demasiado intensivos en třminos computacionales para tener algn͠ uso prc̀tico para grandes conjuntos de datos. En este documento se describe una metodologa̕ que pretende escalar el algoritmo Metropolis-Hastings (MH) en este...

Ամբողջական նկարագրություն

Պահպանված է:
Մատենագիտական մանրամասներ
Այլ հեղինակներ: Bardenet Rm̌i, Doucet Arnaud, Holmes Chris, Proceedings of Machine Learning Research (PMLR)
Ձևաչափ: Գիրք
Լեզու:անգլերեն
Խորագրեր:
Anl̀isis de contenido
Administracin̤
Investigacin̤ operacional
Subject analysis
Management
Operations research
Ciencias de la administracin̤
Anl̀isis de markov
cadenas de markov
Mťodos monte carlo mediante cadenas de markov
Algoritmo metropolis-hastings
Submuestreo adaptativo
Administration sciences
Markov analysis
Markov chains
Monte carlo methods using markov chains
Metropolis-hastings algorithm
Adaptive subsampling
Առցանց հասանելիություն:Towards scaling up markov chain monte carlo , an adaptive subsampling approach
Ցուցիչներ: Ավելացրեք ցուցիչ
Չկան պիտակներ, Եղեք առաջինը, ով նշում է այս գրառումը!
Նկարագրություն
Ամփոփում:Los mťodos Monte Carlo mediante cadenas de Markov se estiman a menudo como demasiado intensivos en třminos computacionales para tener algn͠ uso prc̀tico para grandes conjuntos de datos. En este documento se describe una metodologa̕ que pretende escalar el algoritmo Metropolis-Hastings (MH) en este contexto. Se propone una implementacin̤ aproximada del paso aceptar/rechazar del MH que requiera n͠icamente evaluar la probabilidad de un subconjunto aleatorio de los datos, aunque se garantiza que coincida con el paso aceptar/rechazar fundamentado en el conjunto de datos completo con una probabilidad superior al nivel de tolerancia especificado por el usuario.
ISSN:1938-7228

Նմանատիպ նյութեր