ใช่. ซึ่งแตกต่างจากสิ่งที่คำตอบอื่น ๆ รัฐวิธีการเรียนรู้เครื่อง 'ปกติ' เช่น nonparametrics และ (ลึก) เครือข่ายประสาทสามารถช่วยสร้างตัวอย่าง MCMC ที่ดีขึ้น
เป้าหมายของ MCMC คือการวาดตัวอย่างจาก (unnormalized) การกระจายเป้าหมาย ) ตัวอย่างที่ได้รับนั้นถูกใช้เพื่อประมาณค่าfและส่วนใหญ่อนุญาตให้คำนวณความคาดหวังของฟังก์ชันภายใต้f (เช่นอินทิกรัลมิติสูง) และโดยเฉพาะคุณสมบัติของf (เช่นช่วงเวลา)ฉ( x )ฉฉฉ
การสุ่มตัวอย่างมักจะต้องมีการประเมินจำนวนมากของและความลาดชันของมันสำหรับวิธีการเช่น Hamiltonian Monte Carlo (HMC) หากfมีค่าใช้จ่ายสูงในการประเมินหรือไม่สามารถใช้การไล่ระดับสีบางครั้งเป็นไปได้ที่จะสร้างฟังก์ชั่นตัวแทนเสมือนที่ราคาไม่แพงซึ่งสามารถช่วยนำทางตัวอย่างและประเมินแทนf (ในลักษณะที่ยังคงคุณสมบัติของ MCMC)ฉฉฉ
ยกตัวอย่างเช่นกระดาษน้ำเชื้อ ( รัสมุส 2003 ) ได้เสนอที่จะใช้กระบวนการแบบเกาส์ (ฟังก์ชั่นการประมาณอิงพารามิเตอร์) เพื่อสร้างการประมาณที่จะและดำเนิน HMC ในฟังก์ชั่นตัวแทนที่มีเพียงขั้นตอนการยอมรับ / ปฏิเสธของ HMC อยู่บนพื้นฐานของฉ สิ่งนี้จะช่วยลดจำนวนการประเมินของต้นฉบับfและอนุญาตให้ดำเนินการ MCMC ในรูปแบบไฟล์ PDF ที่อาจมีราคาแพงเกินไปที่จะประเมินเข้าสู่ระบบฉฉฉ
แนวคิดของการใช้ตัวแทนเพื่อเร่งความเร็ว MCMC ได้รับการสำรวจอย่างมากในช่วงไม่กี่ปีที่ผ่านมาโดยการลองใช้วิธีที่แตกต่างกันในการสร้างฟังก์ชั่นตัวแทนและรวมเข้ากับวิธีการ MCMC ที่แตกต่างกัน 'ของการสุ่มตัวอย่าง MCMC) ที่เกี่ยวข้องกับคำถามของคุณเอกสารสองฉบับล่าสุดนี้ใช้เทคนิคการเรียนรู้ด้วยเครื่องจักรขั้นสูง - เครือข่ายแบบสุ่ม ( Zhang et al. 2015 ) หรือเรียนรู้ฟังก์ชั่นเคอร์เนลเอกซ์โพเนนเชียล ( Strathmann และคณะ 2015 ) เพื่อสร้างฟังก์ชั่นตัวแทน
HMC ไม่ใช่ MCMC รูปแบบเดียวที่สามารถได้รับประโยชน์จากตัวแทน ตัวอย่างเช่นNishiara และคณะ (2014)สร้างประมาณของความหนาแน่นของเป้าหมายโดยการปรับนักศึกษาหลายตัวแปรของแจกจ่ายให้กับรัฐหลายห่วงโซ่ของตัวอย่างทั้งมวลและใช้ในการดำเนินการเป็นรูปแบบทั่วไปของการสุ่มตัวอย่างชิ้นเป็นรูปวงรีเสื้อ
นี่เป็นเพียงตัวอย่างเท่านั้น โดยทั่วไปแล้วเทคนิค ML จำนวนมาก (ส่วนใหญ่อยู่ในพื้นที่ของการประมาณฟังก์ชั่นและการประมาณความหนาแน่น) สามารถใช้เพื่อดึงข้อมูลที่อาจปรับปรุงประสิทธิภาพของเครื่องมือเก็บตัวอย่าง MCMC ประโยชน์ที่แท้จริงของพวกเขา- เช่นวัดในจำนวน "ตัวอย่างอิสระที่มีประสิทธิภาพต่อวินาที" - มีเงื่อนไขว่ามีราคาแพงหรือค่อนข้างยากที่จะคำนวณ นอกจากนี้วิธีการเหล่านี้จำนวนมากอาจต้องการการปรับความรู้ของตนเองหรือเพิ่มเติมการ จำกัด การบังคับใช้ของพวกเขาฉ
อ้างอิง:
Rasmussen, Carl Edward "Gaussian ประมวลผลเพื่อเร่ง Monte Carlo ไฮบริดสำหรับอินทิกรัลเบย์ที่มีราคาแพง" สถิติแบบเบย์ 7. 2003.
Zhang, Cheng, Babak Shahbaba และ Hongkai Zhao "แฮมิลโตเนียนมอนติคาร์โลเร่งด้วยฟังก์ชั่นตัวแทนด้วยฐานแบบสุ่ม" พิมพ์ล่วงหน้า arXiv arXiv: 1506.05555 (2015)
Strathmann, Heiko และคณะ "Hamiltonian Monte Carlo ปราศจากการไล่ระดับสีพร้อมตระกูลชี้แจงเคอร์เนลที่มีประสิทธิภาพ" ความก้าวหน้าในระบบประมวลผลข้อมูลประสาท 2015
Nishihara, Robert, Iain Murray และ Ryan P. Adams "Parallel MCMC พร้อมการสุ่มตัวอย่างชิ้นแบบวงรีทั่วไป" วารสารการวิจัยการเรียนรู้ของเครื่อง 15.1 (2014): 2087-2112