BriefGPT - AI 论文速递
·
基于李群的动力 Langevin Monte Carlo 的收敛性
💡
原文中文，约500字，阅读约需2分钟。
📝
内容提要
本文介绍了一种通过几何Langevin MCMC算法从Riemann流形上的Gibbs分布进行高效采样的方法。该算法涉及在随机高斯方向上计算指数映射，并通过误差界限和收缩保证证明了Langevin MCMC迭代与目标分布之间的Wasserstein距离小于ε的复杂性。该方法适用于具有非凸h和负Ricci曲率的一般设置。在额外的假设下，分析了Langevin MCMC的随机梯度版本，并将其迭代复杂性限制在～O(ε^-2)次。
🎯
关键要点
-
提出了一种通过几何Langevin MCMC算法从Riemann流形上的Gibbs分布进行高效采样的方法。
-
算法涉及在随机高斯方向上计算指数映射。
-
通过对几何Euler-Murayama方案的离散化误差进行界定，假设▽h是Lipschitz的且M具有有界的切向曲率。
-
证明Langevin MCMC迭代在经过～O(ε^-2)次步骤后，与目标分布之间的Wasserstein距离小于ε。
-
该方法适用于具有非凸h和负Ricci曲率的一般设置。
-
在额外假设下，分析了Langevin MCMC的随机梯度版本，并将其迭代复杂性限制在～O(ε^-2)次。
➡️
