כתבה
arXiv cs.LG ·
האצת סימולציה לא-חד-צורה וכבד-זנב
Accelerating Non-Smooth and Heavy-Tailed Sampling
אנו מציגים שני אלגוריתמים חדשים לסימולציה של תפוצה לא-חד-צורה וכבד-זנב, המאפשרים האצה של סימולציה ושיפור של יעילות. האלגוריתמים, NALD ו-NRALD, נבנו על ידי הוספת זרם דריפט נוצר על ידי שדה מטריצה-סקוויר-סימטרי שאינו-דיפרנציבלי ופוטנציאל זרם. הם משמרים את התפוצה המטרה ללא דרישה לניצנים של תפוצה, ומאפשרים תיאור תזמון-זמן-אקראי. האלגוריתמים נבדקו באופן נומרי והציגו יעילות טובה.
תקציר מקורי באנגליתarXiv:2610.11139v1 Announce Type: cross Abstract: Anchored Langevin dynamics (ALD) is useful for non-smooth sampling where the density of the target distribution is possibly non-differentiable and heavy-tailed; reflected anchored Langevin dynamics (RALD) can sample possibly non-differentiable target density on a constrained domain. In this paper, we propose and study non-reversible anchored Langevin dynamics (NALD) for sampling possibly non-differentiable and heavy-tailed target density in the Euclidean space and the non-reversible reflected anchored Langevin dynamics (NRALD) for sampling possibly non-differentiable target density in the constrained space. Our construction adds a circulation drift generated by a possibly state-dependent divergence-free skew-symmetric matrix field and a str
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית