改进贝叶斯采样中 Langevin 热力学的稳定性

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

分析

本文解决了协方差控制自适应 Langevin (CCAdL) 热力学在贝叶斯采样中的稳定性问题，该方法用于大规模机器学习。作者提出了一种改进版本 (mCCAdL)，与原始 CCAdL 和其他随机梯度方法相比，提高了数值稳定性和准确性。这很重要，因为它允许更大的步长，并在计算密集型贝叶斯应用中实现更有效的采样。
引用 / 来源
查看原文
"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
* 根据版权法第32条进行合法引用。
较旧

Mixpanel security incident: what OpenAI users need to know

较新

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

相关分析

Research Paper

SpaceTimePilot：时空控制的生成视频渲染

2026年1月3日 06:10

Research Paper

量子混沌哈密顿量演化下的随机性生成

2026年1月3日 06:10

Research Paper

GaMO：几何感知扩散用于稀疏视角3D重建

2026年1月3日 06:32

来源: ArXiv