这篇介绍性论文有三个目的:
- 蒙特卡洛方法,重点是概率机器学习(简单的蒙特卡罗模拟、拒绝抽样和重要性抽样);
- 回顾马尔可夫链蒙特卡罗模拟MCMC的主要组成部分,提供和介绍了这一特殊问题的相关论文;
- 新的有趣的研究(研究前沿)。
马尔可夫链蒙特卡罗模拟
1. 简介
应用:MCMC在统计学、计量经济学、物理学和计算科学中发挥重要作用。例如高维问题,在d维空间中计算凸体的体积,MCMC模拟是唯一已知的在合理的时间(d的多项式)内提供解决方案的通用方法。
简介:
-
1946年,Stan Ulam想设法计算出一个用52张纸牌摆出特定排列的概率。在尝试了详尽的组合计算之后,他转向采用随机布置几个纸牌,然后观察和计数成功的次数。选择一个统计样本来用一个简单得多的问题来逼近一个组合问题的想法是现代蒙特卡罗模拟的核心。
-
Stan Ulam意识到计算机可以用这种方式来解决中子扩散和数学物理学的问题。他和约翰·冯·诺依曼开发了许多蒙特卡洛算法,包括重要性抽样和