Vâng. Không giống như những gì các câu trả lời khác nêu, các phương pháp học máy 'điển hình' như phi thần kinh và mạng lưới thần kinh (sâu) có thể giúp tạo ra các bộ lấy mẫu MCMC tốt hơn.
Mục tiêu của MCMC là vẽ các mẫu từ phân phối mục tiêu (không chuẩn hóa) . Các mẫu thu được được sử dụng để tính gần đúng và chủ yếu cho phép tính toán các kỳ vọng của các hàm theo (nghĩa là tích phân chiều cao) và đặc biệt là các thuộc tính của (chẳng hạn như khoảnh khắc).f f ff( x )fff
Việc lấy mẫu thường đòi hỏi một số lượng lớn các đánh giá về và có thể là độ dốc của nó đối với các phương pháp như Hamiltonian Monte Carlo (HMC). Nếu tốn kém để đánh giá hoặc độ dốc không khả dụng, đôi khi có thể xây dựng hàm thay thế ít tốn kém hơn có thể giúp hướng dẫn lấy mẫu và được đánh giá thay cho (theo cách vẫn bảo tồn các thuộc tính của MCMC).f ffff
Ví dụ, một bài báo chuyên đề ( Rasmussen 2003 ) đề xuất sử dụng các quy trình Gaussian (một phép tính gần đúng hàm không tham số) để xây dựng một xấp xỉ cho và thực hiện HMC trên hàm thay thế, chỉ với bước chấp nhận / từ chối của HMC dựa trên . Điều này làm giảm số lượng đánh giá của gốc và cho phép thực hiện MCMC trên pdf mà nếu không quá đắt để đánh giá.f fđăng nhậpfff
Ý tưởng sử dụng các chất thay thế để tăng tốc MCMC đã được khám phá rất nhiều trong vài năm qua, về cơ bản bằng cách thử các cách khác nhau để xây dựng chức năng thay thế và kết hợp nó một cách hiệu quả / thích ứng với các phương pháp MCMC khác nhau (và theo cách bảo tồn tính đúng đắn của ' 'của mẫu MCMC). Liên quan đến câu hỏi của bạn, hai bài báo gần đây này sử dụng các kỹ thuật máy học tiên tiến - mạng ngẫu nhiên ( Zhang et al. 2015 ) hoặc các hàm nhân hàm mũ được học một cách thích ứng ( Strathmann et al. 2015 ) - để xây dựng hàm thay thế.
HMC không phải là hình thức MCMC duy nhất có thể hưởng lợi từ người thay thế. Ví dụ, Nishiara et al. (2014) xây dựng xấp xỉ mật độ mục tiêu bằng cách khớp phân phối của Sinh viên đa biến với trạng thái đa chuỗi của bộ lấy mẫu đồng bộ và sử dụng phương pháp này để thực hiện một hình thức lấy mẫu lát cắt hình elip tổng quát .t
Đây chỉ là những ví dụ. Nói chung, một số kỹ thuật ML riêng biệt (chủ yếu trong lĩnh vực xấp xỉ hàm và ước tính mật độ) có thể được sử dụng để trích xuất thông tin có thể cải thiện hiệu quả của bộ lấy mẫu MCMC. Họ thực sự hữu dụng - ví dụ như đo bằng số "mẫu độc lập hiệu quả cho mỗi thứ hai" - là điều kiện trên là đắt tiền hoặc hơi khó để tính toán; Ngoài ra, nhiều trong số các phương pháp này có thể yêu cầu điều chỉnh kiến thức của riêng họ hoặc bổ sung, hạn chế khả năng áp dụng của chúng.f
Tài liệu tham khảo:
Rasmussen, Carl Edward. "Các quy trình Gaussian để tăng tốc độ lai Monte Carlo cho các tích hợp Bayes đắt tiền." Thống kê Bayes 7. 2003.
Zhang, Cheng, Babak Shahbaba và Hongkai Zhao. "Gia tốc Hamilton Hamilton sử dụng các chức năng thay thế với các căn cứ ngẫu nhiên." bản in sẵn arXiv arXiv: 1506.05555 (2015).
Strathmann, Heiko, et al. "Hamiltonian Monte Carlo không có Gradient với các gia đình hàm mũ hiệu quả." Những tiến bộ trong hệ thống xử lý thông tin thần kinh. 2015.
Nishihara, Robert, Iain Murray và Ryan P. Adams. "MCMC song song với lấy mẫu lát elip tổng quát." Tạp chí nghiên cứu máy học 15.1 (2014): 2087-2112.