改进贝叶斯采样中 Langevin 热力学的稳定性

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。

• •提出了一种改进的 CCAdL (mCCAdL) 热力学，以提高稳定性。
• •mCCAdL 使用缩放和平方方法以及截断的泰勒级数近似。
• •采用对称分裂方法进行离散化。
• •与原始 CCAdL 和其他方法相比，展示了改进的数值稳定性和准确性。
• •与机器学习中的大规模贝叶斯采样相关。