ベイズサンプリングのためのランジュバン熱力学の安定性向上

Research Paper#Bayesian Sampling, Machine Learning, Langevin Dynamics🔬 Research|分析: 2026年1月3日 09:23•
公開: 2025年12月30日 23:26
•
1分で読める
•ArXiv

分析

この論文は、大規模機械学習のベイズサンプリングで使用されるCovariance-Controlled Adaptive Langevin (CCAdL) 熱力学の安定性の問題を扱っています。著者は、元のCCAdLや他の確率的勾配法と比較して、数値的安定性と精度を向上させた修正版（mCCAdL）を提案しています。これは、より大きなステップサイズと、計算集約的なベイズアプリケーションにおけるより効率的なサンプリングを可能にするため、重要です。
引用・出典
原文を見る
"The newly proposed mCCAdL thermostat achieves a substantial improvement in the numerical stability over the original CCAdL thermostat, while significantly outperforming popular alternative stochastic gradient methods in terms of the numerical accuracy for large-scale machine learning applications."
A
ArXiv2025年12月30日 23:26
* 著作権法第32条に基づく適法な引用です。
古い記事

Mixpanel security incident: what OpenAI users need to know

新しい記事

AMD's MI300X Outperforms Nvidia's H100 for LLM Inference

関連分析

Research Paper

SpaceTimePilot：空間と時間の制御による生成ビデオレンダリング

2026年1月3日 06:10

Research Paper

量子カオスハミルトニアン進化におけるランダム性生成

2026年1月3日 06:10

Research Paper

GaMO：幾何学認識拡散を用いた疎視点3D再構成

2026年1月3日 06:32

原文: ArXiv