跳到主要内容
检索

# 序贯蒙特卡洛

3 篇关联报道

订阅更新
  1. arXiv

    标准汽笛宇宙学不再每次从先验重跑：ASPIRE复用旧后验，暗汽笛分析提速约29倍

    标准汽笛宇宙学要联合推断宇宙学与致密双星族群参数，每换一个星系表、质量模型或事件目录，通常都要从先验重新跑一遍完整分析。ASPIRE把已有后验样本经归一化流拟合后，用序贯蒙特卡洛退火到新假设下的目标分布，在GWTC-5.0的暗汽笛算例中给出与嵌套采样一致的后验，并保留贝叶斯证据估计。以谱汽笛结果为起点加入GLADE+星系表信息时，采样时间从134.4小时降到4.6小时。

    Alexander Papadopoulos（第一作者）
    ASPIRE后验复用采样器标准汽笛宇宙学序贯蒙特卡洛归一化流
  2. arXiv

    地下流动数据同化改用自适应回火序贯蒙特卡洛：四个合成真模型的后验与参考MCMC接近，单GPU提速2.5–7.0倍

    地下流动系统的地质不确定性常是分层的：既有一组控制整体统计性质的地质元参数，又有逐网格的属性场，两者都要从观测中估计。一种自适应回火序贯蒙特卡洛方法把元参数与高斯潜变量放进同一个似然框架联合估计，用代理模型承担全部前向计算。在四个合成真模型上，它的后验元参数分布与流动预测和参考MCMC结果接近，单GPU数据同化提速2.5–7.0倍，且所需函数评估更少。

    Stanford University
    Wenchao Teng（第一作者）
    序贯蒙特卡洛数据同化马尔可夫链蒙特卡洛潜在扩散模型主成分分析
  3. arXiv

    幂分布采样被拆穿：MCMC与SMC在真实算力下不收敛，简单Best-of-N就能追平

    对幂分布做MCMC与SMC采样在现实算力下无法收敛，其推理增益大多可由简单的Best-of-N选择复现；直接微调逼近幂分布的Power-RLOO只在基座模型已与任务对齐时才带来提升。

    Lancaster University
    Abiel Malkani Talwar（第一作者）
    Power-RLOO幂采样序贯蒙特卡洛马尔可夫链蒙特卡洛免训练大语言模型推理

已读完全部报道