相关实验视频
Updated: Jul 15, 2026

Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
复制品交换增强了自适应加权的随机梯度,用于贝叶斯抽样和优化贝叶斯动态的朗格温动态.
Zhenqing Wu1,2, Wenwu Gong1,2, Ziying Yu1
1Department of Statistics and Data Science, Southern University of Science and Technology, Shenzhen, 518055, China.
我们介绍了复制交换自适应加权随机梯度朗格温动力学 (REAWSGLD) 算法,以改善贝叶斯学习. 这种方法通过逃避局部陷来增强大数据中的蒙特卡洛模拟和非凸优化.
科学领域:
- 计算统计学 计算统计学
- 机器学习 机器学习
背景情况:
- 贝叶斯学习通常涉及复杂的能量景观.
- 传统方法在非凸优化中与局部陷作斗争.
研究的目的:
- 在复杂的能源环境中开发一个有效的贝叶斯学习算法.
- 为大数据问题增强蒙特卡洛模拟和非凸优化.
主要方法:
- 建议复制交换适应加权的随机梯度朗格温动力学 (REAWSGLD) 算法.
- 合并1 / k-ensemble和复制品交换方法与两个不同温度的Langevin动态过程.
- 用较低的温度进行本地开采,使用较高的温度进行全球勘探.
主要成果:
- 在模拟中,REAWSGLD算法有效地逃脱了局部陷.
- 经验评估表明,在复杂的能源环境中导航有效.
- 数字结果显示了当代机器学习任务的潜力.
结论:
- REAWSGLD算法为贝叶斯学习挑战提供了一个强大的解决方案.
- 方法的协同作用的组合增强了当地开发和全球勘探.
- 这种方法对先进的蒙特卡洛模拟和非凸优化具有前景.
更多相关视频
11:54Real-Time Proxy-Control of Re-Parameterized Peripheral Signals using a Close-Loop Interface
Published on: May 8, 2021
09:17Structure-Based Simulation and Sampling of Transcription Factor Protein Movements along DNA from Atomic-Scale Stepping to Coarse-Grained Diffusion
Published on: March 1, 2022
相关概念视频
Genetic Drift
Random Sampling Method
Randomized Experiments
Simple randomization
Simple...
Sampling Continuous Time Signal
In the...
One-Compartment Open Model: Wagner-Nelson and Loo Riegelman Method for ka Estimation
On...
Maximizing the Directional Derivative