ฉันกำลังทำงานกับปัญหาการอนุมานมิติสูง (ประมาณพารามิเตอร์โมเดลปี 2000) ซึ่งเราสามารถทำการประมาณค่า MAP ได้อย่างมีประสิทธิภาพโดยการหาค่าสูงสุดของผู้บันทึกล็อกระดับโลกโดยใช้การเพิ่มประสิทธิภาพการไล่ระดับสีและอัลกอริทึมทางพันธุกรรม
ฉันอยากจะประเมินความไม่แน่นอนเกี่ยวกับพารามิเตอร์ของแบบจำลองเพิ่มเติมนอกเหนือจากการค้นหาการประมาณค่า MAP
เราสามารถคำนวณการไล่ระดับสีของ log-posterior ได้อย่างมีประสิทธิภาพเกี่ยวกับพารามิเตอร์ดังนั้นในระยะยาวเรามีเป้าหมายที่จะใช้ Hamiltonian MCMC ทำการสุ่มตัวอย่าง แต่ตอนนี้ฉันสนใจการประมาณการแบบไม่สุ่มตัวอย่าง
วิธีเดียวที่ฉันรู้ก็คือการคำนวณค่าผกผันของ Hessian ในโหมดเพื่อประมาณหลังเป็นหลายตัวแปรปกติ แต่แม้มันจะดูเป็นไปไม่ได้สำหรับระบบขนาดใหญ่เช่นนี้เพราะแม้ว่าเราจะคำนวณ องค์ประกอบของ Hessian ฉันแน่ใจว่าเราไม่พบสิ่งที่ตรงกันข้าม
ใครช่วยแนะนำวิธีการแบบใดที่มักใช้ในกรณีเช่นนี้?
ขอบคุณ!
แก้ไข - ข้อมูลเพิ่มเติมเกี่ยวกับปัญหา
ความเป็นมา
นี้เป็นปัญหาผกผันที่เกี่ยวข้องกับการทดลองฟิสิกส์ขนาดใหญ่ เรามีตาข่ายสามเหลี่ยมสองมิติซึ่งอธิบายถึงเขตข้อมูลทางกายภาพบางส่วนและพารามิเตอร์แบบจำลองของเราคือค่าทางกายภาพของเขตข้อมูลเหล่านั้นในแต่ละจุดยอดของตาข่าย ตาข่ายมีประมาณ 650 จุดยอดและเราสร้างแบบจำลอง 3 เขตข้อมูลดังนั้นนั่นคือที่มาของพารามิเตอร์แบบจำลอง 2000 ของเรา
ข้อมูลการทดลองของเรานั้นมาจากเครื่องมือที่ไม่ได้วัดเขตข้อมูลเหล่านี้โดยตรง แต่ปริมาณที่มีฟังก์ชั่นที่ไม่ใช่เชิงเส้นที่ซับซ้อนของเขตข้อมูล สำหรับเครื่องมือที่แตกต่างกันเรามีตัวแบบไปข้างหน้าซึ่งจะจับคู่พารามิเตอร์ของแบบจำลองกับการทำนายข้อมูลการทดลองและการเปรียบเทียบระหว่างการทำนายและการวัดทำให้เกิดความน่าจะเป็นบันทึก
จากนั้นเราจะสรุปความเป็นไปได้ของการบันทึกจากเครื่องมือที่แตกต่างกันเหล่านี้และยังเพิ่มค่าบางอย่างก่อนบันทึกซึ่งใช้ข้อ จำกัด ทางกายภาพบางอย่างกับเขตข้อมูล
ดังนั้นฉันจึงสงสัยว่า 'แบบจำลอง' นี้จัดอยู่ในหมวดหมู่อย่างเรียบร้อย - เราไม่มีทางเลือกว่าแบบจำลองคืออะไรมันถูกกำหนดโดยวิธีการใช้งานจริงของเครื่องมือที่รวบรวมข้อมูลการทดลองของเรา
ชุดข้อมูลชุด
ข้อมูลประกอบด้วยภาพ 500x500 และมีหนึ่งภาพสำหรับกล้องแต่ละตัวดังนั้นจุดข้อมูลทั้งหมดคือ 500x500x4 =.
แบบจำลองข้อผิดพลาด
เรารับข้อผิดพลาดทั้งหมดในปัญหาเป็น Gaussian ในขณะนี้ ในบางจุดฉันอาจลองไปที่โมเดลข้อผิดพลาดของนักเรียนเพื่อความยืดหยุ่นที่เพิ่มขึ้น แต่สิ่งต่าง ๆ ยังคงทำงานได้ดีกับ Gaussians
ตัวอย่างความ
เป็นไปได้นี่คือการทดลองทางฟิสิกส์พลาสมาและข้อมูลส่วนใหญ่ของเรามาจากกล้องที่ชี้ไปที่พลาสมาพร้อมตัวกรองเฉพาะด้านหน้าเลนส์เพื่อดูเฉพาะบางส่วนของสเปกตรัมแสง
ในการทำซ้ำข้อมูลมีสองขั้นตอนคือ ก่อนอื่นเราต้องสร้างแบบจำลองแสงที่มาจากพลาสม่าบนตาข่ายจากนั้นเราต้องสร้างแบบจำลองแสงนั้นกลับไปที่ภาพจากกล้อง
การสร้างแบบจำลองแสงที่มาจากพลาสม่าน่าเสียดายขึ้นอยู่กับค่าสัมประสิทธิ์อัตราการได้อย่างมีประสิทธิภาพซึ่งบอกว่าแสงที่ปล่อยออกมาจากกระบวนการที่แตกต่างกันให้ฟิลด์ อัตราเหล่านี้ถูกคาดการณ์โดยแบบจำลองตัวเลขที่มีราคาแพงบางตัวดังนั้นเราจึงต้องเก็บผลลัพธ์ของพวกมันไว้บนกริดจากนั้นทำการแทรกเพื่อหาค่า ข้อมูลฟังก์ชั่นอัตราถูกคำนวณเพียงครั้งเดียว - เราเก็บไว้จากนั้นสร้างเส้นโค้งเมื่อรหัสเริ่มต้นขึ้นจากนั้นเส้นโค้งนั้นจะถูกใช้สำหรับการประเมินฟังก์ชั่นทั้งหมด
สมมติ และ คือฟังก์ชันอัตรา (ซึ่งเราประเมินโดยการแก้ไข) แล้วปล่อยที่ จุดสุดยอดของตาข่าย ได้รับจาก
เนื่องจากข้อผิดพลาดคือเกาส์เซียนจึงมีความเป็นไปได้ที่จะบันทึกสำหรับกล้องนี้โดยเฉพาะ
ที่ไหน คือข้อมูลกล้อง โอกาสในการบันทึกรวมเป็นผลรวมของ 4 ของการแสดงออกข้างต้น แต่สำหรับกล้องที่แตกต่างกันซึ่งทุกคนมีฟังก์ชั่นอัตรารุ่นที่แตกต่างกัน เพราะพวกเขาดูที่ส่วนต่าง ๆ ของสเปกตรัมแสง
ตัวอย่างก่อนหน้า
นี้เรามีนักบวชหลายคนที่มีประสิทธิภาพเพียงแค่กำหนดขอบเขตบนและล่างบางอย่างในปริมาณที่หลากหลาย แต่สิ่งเหล่านี้มักจะไม่ทำปัญหารุนแรงเกินไป เรามีหนึ่งก่อนที่จะทำหน้าที่อย่างมากซึ่งนำไปใช้ปรับให้เรียบประเภท Laplacian กับเขตข้อมูล นอกจากนี้ยังใช้แบบฟอร์มเสียน: