BriefGPT - AI 论文速递
·
利用嵌套 MLMC 进行具有难解似然函数的顺序神经后验估计
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文介绍了一种新的适应性SMD方法，使用了Kullback-Leibler散度的近似来自动适应提议分布。该方法适用于任何参数化的提议分布，并支持在线和批处理变量。实验表明，在非线性状态空间模型中，NASMC显着改善了推断，优于自适应提议方法。最后，展示NASMC能够训练潜在变量递归神经网络（LV-RNN），达到与多态音乐建模的最新水平竞争的结果。
🎯
关键要点
-
介绍了一种新的适应性SMD方法，使用Kullback-Leibler散度的近似来自动适应提议分布。
-
该方法适用于任何参数化的提议分布，并支持在线和批处理变量。
-
新框架适应基于神经网络的强大提议分布，导致神经自适应序贯蒙特卡洛（NASMC）。
-
实验表明，在非线性状态空间模型中，NASMC显著改善了推断，优于自适应提议方法。
-
NASMC在作为粒子分辨率Metropolis Hastings的子程序时，改进的推断可转化为参数学习的改进。
-
NASMC能够训练潜在变量递归神经网络（LV-RNN），达到与多态音乐建模的最新水平竞争的结果。
-
NASMC可以看作是自适应SMC方法与可扩展的黑箱变分推理工作之间的桥梁。
➡️
