Evet. Diğer yanıtların aksine, parametrik olmayan ve (derin) sinir ağları gibi 'tipik' makine öğrenme yöntemleri daha iyi MCMC örnekleyicileri oluşturmaya yardımcı olabilir .
MCMC'nin amacı (normalize edilmemiş) bir hedef dağılımdan örneklerini almaktır . Elde edilen numuneler yaklaşık olarak belirlemek için kullanılır ve çoğunlukla (yani, yüksek boyutlu integraller) altındaki fonksiyonların ve özellikle (momentler gibi) özelliklerinin beklentilerini hesaplamaya izin verir .f f ff( x )fff
Örnekleme , Hamiltonian Monte Carlo (HMC) gibi yöntemler için genellikle ve muhtemelen gradyanı için çok sayıda değerlendirme gerektirir . Eğer değerlendirmek için pahalı ya da gradyan kullanılamaz, daha az pahalı oluşturmak için bazen mümkündür taşıyıcı işlevi örnekleme de yardımcı olabilir ve yerine değerlendirilir (hala MCMC özelliklerini muhafaza ettiği şekilde).f ffff
Örneğin, bir ufuklar kağıt ( Rasmussen 2003 ) kullanımını önermektedir Gauss işlemler için bir yaklaşım oluşturmak için (parametrik olmayan bir fonksiyon yaklaşımı) ve temel HMC yalnızca kabul / ret aşaması ile, taşıyıcı işlevi HMC gerçekleştirmek . Bu, orijinal değerlendirme sayısını azaltır ve pdfs üzerinde MCMC gerçekleştirilmesine izin verir, aksi takdirde değerlendirmek çok pahalı olurdu.f fgünlükfff
MCMC'yi hızlandırmak için vekiller kullanma fikri son birkaç yıl içinde, özellikle vekil işlevini oluşturmak için farklı yollar denemek ve onu etkin / uyarlamalı olarak farklı MCMC yöntemleriyle (ve 'doğruluğunu koruyacak şekilde) birleştirmek suretiyle araştırıldı. MCMC örneklemesinden '). Sorunuzla ilgili olarak, bu son iki makale , vekil işlevini oluşturmak için gelişmiş makine öğrenme tekniklerini (rastgele ağlar ( Zhang ve ark. 2015 ) veya uyarlanabilir öğrenilmiş üstel çekirdek işlevleri) ( Strathmann ve ark. 2015 ) kullanır.
HMC, vekillerden faydalanabilecek tek MCMC şekli değildir. Örneğin, Nishiara ve diğ. (2014) , çok değişkenli bir öğrencinin dağılımını bir topluluk örnekleyicinin çok zincirli durumuna yerleştirerek hedef yoğunluğun bir yaklaşımını oluşturmakta ve bunu genelleştirilmiş bir eliptik dilim örnekleme biçimi yapmak için kullanmaktadır .t
Bunlar sadece örnek. Genel olarak, (çoğunlukla fonksiyonu uyumu ve yoğunluk tahmini alanında) farklı ML bir dizi teknik bilgi elde etmek için kullanılabilir olabilir MCMC numune etkinliğini geliştirir. Bunların gerçek yararı - örneğin, "ikinci başına etkin bağımsız örnekler" sayısı olarak ölçülen - şartına bağlıdır pahalı ya da hesaplamak için biraz zor olan; ayrıca, bu yöntemlerin birçoğu uygulanabilirliğini kısıtlayan kendi veya ek bilgilerinin ayarlanmasını gerektirebilir.f
Referanslar:
Rasmussen, Carl Edward. "Gaussian, pahalı Bayesian integralleri için hibrit Monte Carlo'yu hızlandırmaya çalışıyor." Bayes İstatistikleri 7. 2003.
Zhang, Cheng, Babak Shahbaba ve Hongkai Zhao. "Rastgele Bazlı Vekil İşlevleri Kullanarak Hamiltonian Monte Carlo Hızlandırması." arXiv ön baskı arXiv: 1506.05555 (2015).
Strathmann, Heiko ve diğ. "Degrade içermeyen Hamiltonian Monte Carlo, verimli çekirdek üstel ailelere sahip." Yapay Sinir İşleme Sistemlerinde Gelişmeler. 2015.
Nishihara, Robert, Iain Murray ve Ryan P. Adams. "Genelleştirilmiş eliptik dilim örneklemeli paralel MCMC." Makine Öğrenimi Araştırmaları Dergisi 15.1 (2014): 2087-2112.