Hamiltonian Monte Carlo Methods in Machine Learning

روش‌های مونت کارلو همیلتونی در یادگیری ماشینی روش‌هایی را برای تنظیم بهینه پارامترهای HMC به همراه معرفی روش‌های HMC سایه‌ای و غیر متعارف با بهبود و افزایش سرعت معرفی می‌کند. در نهایت، نویسندگان به مسائل مهم کاهش واریانس برای تخمین پارامترهای نمونه‌برداران متعدد مبتنی بر HMC می‌پردازند. این کتاب مقدمه‌ای جامع بر روش‌های مونت کارلو همیلتونی ارائه می‌کند و نمایشی پیشرفته از آسیب‌شناسی‌های کنونی روش‌های مبتنی بر HMC در هر دو تنظیم، مقیاس‌گذاری و نمونه‌برداری از آثار پیچیده دنیای واقعی ارائه می‌کند. اینها عمدتاً در مقیاس بندی استنتاج (مانند شبکه های عصبی عمیق)، تنظیم پارامترهای نمونه گیری حساس به عملکرد و همبستگی خودکار نمونه بالا هستند.

بخش های دیگر راه حل های متعددی برای مشکلات احتمالی ارائه می دهند. ارائه روش های پیشرفته HMC با کاربرد در انرژی های تجدیدپذیر، مالی و طبقه بندی تصویر برای کاربردهای زیست پزشکی. خوانندگان با هر دو نظریه نمونه برداری HMC و اجرای الگوریتم آشنا می شوند.

Hamiltonian Monte Carlo Methods in Machine Learning introduces methods for optimal tuning of HMC parameters, along with an introduction of Shadow and Non-canonical HMC methods with improvements and speedup. Lastly, the authors address the critical issues of variance reduction for parameter estimates of numerous HMC based samplers. The book offers a comprehensive introduction to Hamiltonian Monte Carlo methods and provides a cutting-edge exposition of the current pathologies of HMC-based methods in both tuning, scaling and sampling complex real-world posteriors. These are mainly in the scaling of inference (e.g., Deep Neural Networks), tuning of performance-sensitive sampling parameters and high sample autocorrelation.

Other sections provide numerous solutions to potential pitfalls, presenting advanced HMC methods with applications in renewable energy, finance and image classification for biomedical applications. Readers will get acquainted with both HMC sampling theory and algorithm implementation.