Data augmentation for models based on rejection sampling
基于拒绝采样的模型的数据增广AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要涉及通用贝叶斯计算、截断测量和流形分布，未明确涉及所列计量领域中的特定研究方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
基于拒绝采样的模型的数据增广
- 研究问题
- 当模型的数据生成过程包含拒绝采样、观测似然又含难以计算的积分时，作者研究如何构造可实施的贝叶斯推断。
- 方法与思路
- 作者将每个观测值产生前被拒绝的候选值作为潜在变量增广，利用观测与拒绝变量的联合分布构造马尔可夫链蒙特卡洛推断。
- 材料陈述的贡献
- 摘要给出截断流式细胞测量、矩阵 Langevin 分布和高斯过程密度模型三个例子，并称实验中的采样表现优于所比较算法。
- 阅读关注点
- 应核对拒绝候选值的条件模拟方式、增广后的联合分布、采样链的收敛与计算成本，以及实验基准和性能指标。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；实验优势的范围、收敛保证与数值结果未说明，不能推断刊本变化。
原文摘要
We present a data augmentation scheme to perform Markov chain Monte Carlo inference for models where data generation involves a rejection sampling algorithm. Our idea is a simple scheme to instantiate the rejected proposals preceding each data point. The resulting joint probability over observed and rejected variables can be much simpler than the marginal distribution over the observed variables, which often involves intractable integrals. We consider three problems: modelling flow-cytometry measurements subject to truncation; the Bayesian analysis of the matrix Langevin distribution on the Stiefel manifold; and Bayesian inference for a nonparametric Gaussian process density model. The latter two are instances of doubly-intractable Markov chain Monte Carlo problems, where evaluating the likelihood is intractable. Our experiments demonstrate superior performance over state-of-the-art sampling algorithms for such problems.