Dinamik Hamiltoniyen Monte Carlo
Dynamic Hamiltonian Monte Carlo (No-U-Turn Sampler) · Ayrıca şöyle bilinir: Dynamic HMC, NUTS, No-U-Turn Sampler, adaptive HMC
Dinamik Hamiltoniyen Monte Carlo — Yaygın olarak No-U-Turn Sampler (NUTS) olarak bilinen bu yöntem, her bir MCMC geçişi sırasında leapfrog entegrasyon adımlarının sayısını otomatik olarak seçerek standart HMC'nin en hassas ayarlama parametresini manuel olarak ayarlama ihtiyacını ortadan kaldıran, Hamiltoniyen Monte Carlo'nun uyarlanabilir bir uzantısıdır. Stan ve PyMC'deki varsayılan örnekleyicidir ve orta ila yüksek boyutlu, sürekli, türevlenebilir sonsal dağılımlar için uygundur.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Sonsal dağılım sürekli olduğunda ve log-sonsal ve türevleri mevcut olduğunda (çoğu Bayesçi regresyon, hiyerarşik ve gizli değişken modellerinde olduğu gibi) Dinamik HMC'yi kullanın. Özellikle rastgele yürüyüş örnekleyicilerinin çok yavaş karıştığı orta ila yüksek boyutlarda (onlarca ila yüzlerce parametre) güçlüdür. Parametreler ayrık olduğunda (bunun yerine Gibbs örneklemesi veya marjinalleştirme kullanın), log-sonsal türevlenebilir olmadığında veya gradyan değerlendirmesi aşırı pahalı olduğunda kullanmayın — bu durumlarda varyasyonel çıkarım veya SMC tercih edilebilir.
Güçlü yönler & sınırlılıklar
- En hassas HMC parametresi olan yörünge uzunluğunun manuel ayarını ortadan kaldırır.
- Rastgele yürüyüş yöntemlerine kıyasla yüksek boyutlu, ilişkili sonsal dağılımlarda hızla karışır.
- Güçlü teorik garantiler sağlar: ayrıntılı dengeyi korur ve tam sonsal dağılımı hedefler.
- İyi koşullandırılmış problemlerle gradyan başına yüksek etkili örnek sayısı üretir.
- Teşhis hataları (sapmalar, düşük E-BFMI, yüksek R-hat) bilgilendiricidir ve model iyileştirmesine rehberlik eder.
- Sürekli, türevlenebilir parametreler gerektirir — ayrık parametreler marjinalleştirilmeli veya ayrı olarak ele alınmalıdır.
- Gradyan hesaplaması, büyük veri kümeleri veya son derece karmaşık modeller için maliyetli olabilir.
- Son derece doğrusal olmayan veya huni şeklinde sonsal dağılımlar, optimal ayarlama ile bile sapmalı geçişlere neden olabilir.
- Isınma aşaması birçok gradyan değerlendirmesi gerektirir; kısa zincirler yeterince uyum sağlayamayabilir.
SSS
Sapmalı geçiş nedir ve neden önemlidir?
Sapmalı bir geçiş, leapfrog entegratörünün sayısal olarak kararsız hale gelmesiyle oluşur, genellikle sonsal dağılımın çok yüksek eğriliğe sahip bir bölgesi (örneğin, bir huni) olduğunda. Sapmalar, o bölgeden gelen örneklerin güvenilmez olduğunu gösterir. Doğru tepki, sadece hedef kabul oranını artırmak değil, modeli yeniden parametrelendirmektir (örneğin, hiyerarşik modeller için merkezlenmemiş bir parametrelendirme kullanmak).
NUTS standart HMC'den nasıl farklıdır?
Standart HMC, kullanıcının hem bir adım boyutu hem de sabit sayıda leapfrog adımı (yörünge uzunluğu) belirtmesini gerektirir. NUTS, adım boyutunu (otomatik olarak uyarlanmış) korur, ancak sabit yörünge uzunluğunu, entegrasyonun ne zaman durdurulacağını dinamik ve otomatik olarak belirleyen U-dönüşü kriteri ile değiştirir. Bu, NUTS'u kullanmayı dramatik şekilde daha kolay ve genellikle daha verimli hale getirir.
Kütle matrisi nedir ve neden önemlidir?
Hamiltoniyen'deki kütle matrisi M, algoritmanın parametre uzayında nasıl hareket ettiğini kontrol eder. Sonsal marjinal varyansların tersine ayarlanmış diyagonal bir kütle matrisi, her boyutu benzer bir ölçekte olacak şekilde yeniden ölçeklendirir, bu da karışımı iyileştirir. Yoğun bir kütle matrisi de korelasyonları yakalayabilir. Kötü kütle matrisi tahmini, yavaş karışmaya veya adım boyutu çökmesine yol açar.
Ayrık parametrelerle Dinamik HMC kullanabilir miyim?
Doğrudan değil. Leapfrog entegrasyonu sürekli, türevlenebilir parametreler gerektirir. Ayrık parametreler analitik olarak marjinalleştirilmeli, bir Gibbs adımına atanmalı veya sürekli bir gevşetme içine ayrık değişkenlerin gömülmesi gibi yöntemlerle ele alınmalıdır. Stan, bu nedenle tüm parametrelerin sürekli olmasını gerektirir.
Kaç ısınma ve örnekleme yinelemesi gerekir?
Yaygın bir başlangıç noktası, zincir başına 1000 ısınma ve 1000 örnekleme yinelemesidir (4 zincir ile). Karmaşık sonsal dağılımlar için 2000 ısınma yinelemesi kütle matrisi tahminini iyileştirir. Yeterlilik, R-hat (1.01'in altında) ve toplu/kuyruk etkili örnek sayılarından (minimum olarak zincir başına 100'ün üzerinde) yargılanır, yalnızca yineleme sayısına göre değil.
Kaynaklar
- Hoffman, M. D. & Gelman, A. (2014). The No-U-Turn Sampler: Adaptively setting path lengths in Hamiltonian Monte Carlo. Journal of Machine Learning Research, 15(1), 1593–1623. link ↗
- Neal, R. M. (2011). MCMC using Hamiltonian dynamics. In S. Brooks, A. Gelman, G. Jones & X.-L. Meng (Eds.), Handbook of Markov Chain Monte Carlo (pp. 113–162). CRC Press. ISBN: 978-1420079418
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Dynamic Hamiltonian Monte Carlo (No-U-Turn Sampler). ScholarGate. https://scholargate.app/tr/bayesian/dynamic-hamiltonian-monte-carlo
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayes RegresyonuBayesçi↔ karşılaştır
- Gibbs ÖrneklemesiBayesçi↔ karşılaştır
- Hamiltonian Monte CarloBayesçi↔ karşılaştır
- Sıralı Monte CarloBayesçi↔ karşılaştır
- Varyasyonel ÇıkarımBayesçi↔ karşılaştır