ترجمه فارسی مقاله نمونه‌برداری مداوم: آزادسازی پتانسیل مونت کارلو متوالی

چکیده

Sequential Monte Carlo (SMC) methods are powerful tools for Bayesian inference but suffer from requiring many particles for accurate estimates, leading to high computational costs. We introduce persistent sampling (PS), an extension of SMC that mitigates this issue by allowing particles from previous iterations to persist. This generates a growing, weighted ensemble of particles distributed across iterations. In each iteration, PS utilizes multiple importance sampling and resampling from the mixture of all previous distributions to produce the next generation of particles. This addresses particle impoverishment and mode collapse, resulting in more accurate posterior approximations. Furthermore, this approach provides lower-variance marginal likelihood estimates for model comparison. Additionally, the persistent particles improve transition kernel adaptation for efficient exploration. Experiments on complex distributions show that PS consistently outperforms standard methods, achieving lower squared bias in posterior moment estimation and significantly reduced marginal likelihood errors, all at a lower computational cost. PS offers a robust, efficient, and scalable framework for Bayesian inference.

چکیده به فارسی (ترجمه ماشینی)

روشهای متوالی مونت کارلو (SMC) ابزارهای قدرتمندی برای استنباط بیزی هستند اما از نیاز به ذرات زیادی برای برآورد دقیق رنج می برند و منجر به هزینه های محاسباتی بالا می شوند.ما نمونه گیری مداوم (PS) را معرفی می کنیم ، پسوند SMC که با اجازه دادن ذرات از تکرارهای قبلی ، این مسئله را کاهش می دهد.این یک گروه در حال رشد و وزنه برداری از ذرات توزیع شده در سراسر تکرارها ایجاد می کند.در هر تکرار ، PS از نمونه برداری از اهمیت چندگانه و استفاده مجدد از مخلوط کلیه توزیع های قبلی برای تولید نسل بعدی ذرات استفاده می کند.این امر به فقر ذرات و فروپاشی حالت می پردازد و در نتیجه تقریب های دقیق تر خلفی ایجاد می شود.علاوه بر این ، این رویکرد برآورد احتمال حاشیه ای با واریانس پایین تر برای مقایسه مدل را ارائه می دهد.علاوه بر این ، ذرات مداوم سازگاری هسته انتقال را برای اکتشاف کارآمد بهبود می بخشند.آزمایشات مربوط به توزیع های پیچیده نشان می دهد که PS به طور مداوم از روشهای استاندارد بهتر عمل می کند ، دستیابی به تعصب کمتر مربع در تخمین لحظه خلفی و خطاهای احتمال حاشیه ای را به طور قابل توجهی کاهش می دهد ، همه با هزینه محاسباتی پایین تر.PS یک چارچوب قوی ، کارآمد و مقیاس پذیر برای استنباط بیزی ارائه می دهد.