HyperAI超神经

MCMC Il s'agit d'un algorithme d'échantillonnage à partir d'une distribution aléatoire basée sur une chaîne de Markov, qui approxime la distribution postérieure du paramètre d'intérêt en échantillonnant aléatoirement dans l'espace de probabilité.

La théorie de base du MCMC est le processus de Markov. Dans les algorithmes connexes, afin d'échantillonner sur une distribution spécifiée, nous pouvons simuler ce processus à partir de n'importe quel état selon le processus de Markov et effectuer en continu des transitions d'état jusqu'à ce qu'il converge finalement vers une distribution stable.

L'idée générale est d'utiliser une distribution stable pour remplacer la distribution complexe, et de l'utiliser pour échantillonner et ajuster afin d'obtenir finalement la distribution de l'échantillon complexe.

Méthodes MCMC courantes : échantillonnage Metropolis-Hastings, échantillonnage Gibbs

Échantillonnage de Metropolis-Hastings

1 : Initialiser l'état initial de la chaîne de Markov ${X\mathop{{}}\nolimits_{{0}}\text{ }=\text{ }x\mathop{{}}\nolimits_{{0}}}$

2 : Exemple du processus suivant du cycle ${t\text{ }=\text{ }0,\text{ }1,\text{ }2,\text{ }…}$

À l'instant $\text{[math]}$ , l'état de la chaîne de Markov est ${X\mathop{{}}\nolimits_{{t}}\text{ }=\text{ }x\mathop{{}}\nolimits_{{t}}}$ , et l'échantillonnage ${y\text{ } \sim \text{ }q{ \left( {x \left| x\mathop{{}}\nolimits_{{t}}\right. } \right) }}$
Échantillonnage à partir d'une distribution uniforme ${u\text{ } \sim \text{ }Uniforme{ \left[ {0,1} \right] }}$
Si ${u\text{ } < \text{ } \alpha { \left( {x\mathop{{}}\nolimits_{{t}},y} \right) }\text{ }=\text{ }min{ \left\{ {\frac{{p{ \left( {y} \right) }q{ \left( {x\mathop{{}}\nolimits_{{t}} \left| y\right. } \right) }}}{{p{ \left( {x\mathop{{}}\nolimits_{{t}}} \right) }p{ \left( {y \left| {x\mathop{{}}\nolimits_{{t}}\text{ } \to \text{ }y}$ , c'est-à-dire, ${X\mathop{{}}\nolimits_{{t+1}}\text{ }=\texte{ }y}$
Sinon, le transfert n'est pas accepté, c'est-à-dire ${X\mathop{{}}\nolimits_{{t+1}}\text{ }=\text{ }x\mathop{{}}\nolimits_{{t}}}$

Échantillonnage de Gibbs

1 : Initialiser aléatoirement ${X\mathop{{}}\nolimits_{{0}}\text{ }=\text{ }x\mathop{{}}\nolimits_{{0}},\text{ }Y\mathop{{}}\nolimits_{{0}}\text{ }=\text{ }y\mathop{{}}\nolimits_{{0}}}$

2 : Échantillonnage cyclique de ${t\text{ }=\text{ }0,\text{ }1,\text{ }2,\text{ }…}$

${y\mathop{{}}\nolimits_{{t+1}}\texte{ } \sim \texte{ }p{ \gauche( {y \gauche| x\mathop{{}}\nolimits_{{t}}\droite. } \droite) }}$
${x\mathop{{}}\nolimits_{{t+1}}\texte{ } \sim \texte{ }p{ \gauche( {x \gauche| y\mathop{{}}\nolimits_{{t+1}}\droite. } \droite) }}$

Références

【1】Premiers pas avec MCMC

【2】Une brève analyse de la méthode de Monte Carlo par chaîne de Markov

Méthode De Monte Carlo Par Chaîne De Markov MCMC

Échantillonnage de Metropolis-Hastings

Échantillonnage de Gibbs

Références