Delayed Acceptance Slice Sampling
TU Bergakademie Freiberg(弗莱贝格工业大学);Universität Passau(帕绍大学)
本文提出延迟接受切片采样方法,通过确定性近似提高计算效率,适用于贝叶斯推断中的昂贵似然函数场景。
2026-09-21 math.ST stat.CO stat.TH
Transport Elliptical Slice Sampling
我们提出了一个新的框架,用于使用归一化流和椭圆切片采样的组合从复杂的概率分布中有效地采样(Murray等人,2010年)。其中心思想是通过规范化流来学习一个自同构,将目标分布的非高斯结构映射到近似高斯分布。然后,我们使用椭圆切片采样器,一个有效的和调谐免费的马尔可夫链蒙特卡罗(MCMC)算法,从转换后的分布样本。然后使用逆归一化流将样本拉回,从而产生近似于感兴趣的固定目标分布的样本。我们的传输椭圆切片采样器(TESS)是针对现代计算机架构进行优化的,其自适应机制利用并行内核快速运行多个马尔可夫链进行几次迭代。数值模拟表明,TESS产生蒙特卡罗样本的目标分布与较低的自相关性相比,非变换采样器,并表现出显着的效率提高相比,基于梯度的建议设计的并行计算机架构,给出了一个足够灵活的仿射。
2023-03-27 stat.CO stat.ME
Uniform ergodicity of geodesic slice sampling
University of Passau(帕绍大学)
本文证明了测地线切片采样在紧支撑且有界密度分布上的均匀遍历性,并显式给出了收敛常数及其对超参数、目标分布和定义域的依赖关系。
2025-10-08 math.PR math.ST stat.TH
Wasserstein contraction and spectral gap of slice sampling revisited
本研究提出$k$-极切片采样($k$-PSS)新方法,通过分析其Wasserstein收缩率与谱间隙,推进了对均匀和极切片采样的理论理解,还揭示了两类方法在重尾分布下的维度相关性能差异。
2023-09-26 math.PR math.ST stat.TH
Ensemble Slice Sampling: Parallel, black-box and gradient-free inference for correlated & multimodal distributions
Institute for Astronomy, University of Edinburgh(爱丁堡大学天文研究所)
切片采样已经成为一种强大的马尔可夫链蒙特卡罗算法,它以最小的手动调整适应目标分布的特征。然而,切片采样的性能对用户指定的初始长度尺度超参数高度敏感,并且该方法通常难以处理尺度差或强相关的分布。本文介绍了Ensemble切片采样(ESS),一类新的算法,绕过这样的困难,通过自适应调整的初始长度尺度和利用合奏的并行步行者,以有效地处理参数之间的强相关性。这些仿射不变的算法是平凡的构造,不需要手动调整,可以很容易地实现在并行计算环境中。实证测试表明,包围切片采样可以提高效率超过一个数量级相比,传统的MCMC方法在广泛的高度相关的目标分布。在强多模态目标分布的情况下,Enhancement切片采样即使在高维中也可以有效地采样。我们认为,并行,黑盒和梯度的方法的性质使其理想的用于科学领域,如物理学,天体物理学和宇宙学,这些领域主要是由各种各样的计算昂贵和不可微的模型。
2021-10-03 astro-ph.CO astro-ph.IM cs.LG
Elliptical slice sampling
许多概率模型使用潜在多变量高斯分布或高斯过程在变量之间引入强依赖性。提出了一种新的马尔可夫链蒙特卡罗算法,用于对具有多元高斯先验的模型进行推理。其主要特性是:1)它有简单的通用代码,适用于许多模型,2)它没有自由参数,3)它适用于各种基于高斯过程的模型。这些属性使我们的方法非常适合在模型构建时使用,无需花费时间来推导和调整更复杂算法的更新。
2010-03-19 stat.CO stat.ML
Parallel MCMC with Generalized Elliptical Slice Sampling
概率模型在概念上是发现数据结构的强大工具,但它们的实际有效性往往受到我们对其进行推理的能力的限制。精确推理通常是难以处理的,因此近似推理通常使用马尔可夫链蒙特卡罗(MCMC)来执行。为了从MCMC获得最佳可能的结果,我们希望有效地模拟快速混合马尔可夫链的许多步骤,使目标分布保持不变。在这方面,特别感兴趣的是如何利用多核计算来加速基于MCMC的推理,以改善混合并分配计算负载。在本文中,我们提出了一个可并行马尔可夫链蒙特卡罗算法,有效地从连续概率分布,可以利用数百个核心的采样。该方法在并行马尔可夫链之间共享信息,以建立目标分布密度函数的高斯混合尺度近似。我们结合这种近似与最近的方法称为椭圆切片采样创建一个马尔可夫链没有步长参数,可以快速混合,而不需要梯度或曲率计算。
2014-07-24 stat.CO stat.ML
A weight-bounded importance sampling method for variance reduction
重要性抽样是蒙特卡罗模拟中减小估计方差的重要技术。然而,在许多实际问题中,使用IS方法可能会导致方差无界,从而无法提供可靠的估计。为了解决这个问题,我们提出了一种方法,它可以防止风险的无界方差,所提出的方法执行标准IS的积分的兴趣,只有在一个区域中的IS权重是有界的,并使用结果作为一个近似的原始积分。可以验证得到的估计量具有有限方差。此外,我们还提供了一个基于正态性检验的方法来确定区域与有界的IS重量(称为安全区域)从标准IS分布的样本。数值算例表明,当标准IS失效时,该方法可以得到相当可靠的估计,并且其性能优于防御IS,这是一种流行的防止无界方差的方法。
2019-02-22 stat.CO
Towards Unifying Hamiltonian Monte Carlo and Slice Sampling
我们统一切片采样和哈密顿蒙特卡罗(HMC)采样,通过哈密尔顿力学的哈密尔顿-雅可比方程证明它们的连接。这种见解使HMC和切片采样扩展到更广泛的采样器系列,称为Monomial Gamma Sampler(MGS)。我们提供了这样的采样器的混合性能的理论分析,证明在一个单一的参数的限制,MGS提请去相关的样本从所需的目标分布。我们进一步表明,当这个参数趋向于这个极限时,性能增益是以增加数值难度和一些实际收敛问题为代价的。我们的理论结果与合成数据和实际应用进行了验证。
2018-01-10 stat.ME stat.ML
Geodesic slice sampling on the sphere
Friedrich Schiller University Jena(耶拿弗里德里希·席勒大学);Universität Passau(帕绍大学)
本文提出了一种高效的球面上测地切片采样方法,通过收缩机制实现高效采样,且在复杂分布上优于传统采样器。
2026-03-08 math.PR math.ST stat.ME
A Fast, Robust Elliptical Slice Sampling Implementation for Linearly Truncated Multivariate Normal Distributions
University of Pennsylvania(宾夕法尼亚大学)
针对线性截断多元正态分布采样难题,本文提出可在$\mathcal{O}(m \log m)$时间内计算椭圆与多面体交集的椭圆切片采样算法,提升了数值稳定性、运行速度与并行能力。
2024-07-15 cs.LG stat.ML
Slice Sampling for General Completely Random Measures
University of British Columbia(不列颠哥伦比亚大学)
完全随机度量提供了一种创建灵活的无监督模型的原则性方法,其中潜在特征的数量是无限的,并且影响数据的特征数量随着数据集的大小而增长。由于潜在特征的无限性,后验推理需要边缘化-导致依赖结构,通过并行化和共轭性防止有效计算-或有限截断,这任意限制了模型的灵活性。在本文中,我们提出了一种新的马尔可夫链蒙特卡罗算法的后验推理,自适应设置截断水平使用辅助切片变量,使高效,并行计算,而不牺牲灵活性。在过去的工作中,实现了这一点的模型的基础上,我们提供了一个通用的配方,适用于广泛的类完全随机测量为基础的先验。几个流行的非参数模型,所提出的算法的有效性进行评估,表现出更高的有效样本量每秒相比,使用边缘化算法以及更高的预测性能相比,采用固定截断模型。
2020-06-25 cs.LG stat.CO stat.ME
Efficient and Fast Sampling from Arbitrary Probability Kernels using Sliced Gibbs Sampler
North Carolina State University(北卡罗来纳州立大学)
本文提出自动切片吉布斯框架,实现对任意有限维概率核的自动马尔可夫链蒙特卡洛采样,无需用户指定截断界、提议尺度、步长调优或条件优化,适用于非标准化、非光滑、重尾和高多模态密度。
2026-10-06 stat.ME
Slice Monte Carlo Integration
Graz University of Technology(格拉茨工业大学);University of Oxford(牛津大学);GraML – Graz Center for Machine Learning(格拉茨机器学习中心)
提出切片蒙特卡洛积分(SℓMC),利用代理模型进行嵌套采样式空间划分,实现分层蒙特卡洛积分,有效降低方差并高效分配计算资源。
2026-10-01 math.ST stat.CO stat.ME
On importance sampling and independent Metropolis-Hastings with an unbounded weight function
University of Oxford(牛津大学);ESSEC Business School(ESSEC高等商学院);Rutgers University(罗格斯大学)
研究重要性抽样和独立Metropolis-Hastings在权重函数无界时的偏差,通过最大耦合推导链到目标分布的全变差距离的多项式界,并利用耦合实现无偏估计。
2026-07-03 math.ST stat.ME stat.TH
Covariance-Adaptive Slice Sampling
我们描述了两个切片采样方法,采用多变量步骤的面包屑框架。这些方法使用被拒绝的建议的梯度来适应对数密度表面的局部曲率,当参数高度相关时,这种技术可以产生更好的建议。我们评估我们的方法在四个分布和比较它们的性能的非自适应切片采样方法和大都会方法。自适应方法在具有高度相关参数的低维目标分布上表现良好。
2010-03-16 stat.CO
Slice Sampling with Adaptive Multivariate Steps: The Shrinking-Rank Method
收缩秩方法是切片抽样的一种变体,它在从具有高度相关参数的多变量分布中进行抽样时是有效的。它要求对数密度的梯度是可计算的。在每一步中,它都用一个占据收缩维子空间的高斯来逼近当前切片。近似的维度在被拒绝的建议处正交于梯度收缩,因为当前切片之外的点处的梯度倾向于指向切片。这导致建议分布快速收敛到切片最长轴的估计值,从而导致状态的相关性低于相关方法生成的状态。在描述了该方法之后,我们将其与其他两种方法在几种分布上进行了比较,并获得了有利的结果。
2010-11-22 stat.CO
Vertical-likelihood Monte Carlo
在这篇评论中,我们解决了使用蒙特卡罗方法近似定积分的形式$Z = \int L(x) d P(x)$,其中$L$是一个目标函数(通常是一个可能性)和$P$有限的措施。我们提出了垂直似然蒙特卡罗,这是一种设计的重要性函数$g(x)$用于重要性抽样的方法。我们的方法利用了两个随机变量之间的对偶性:随机抽取$X \sim g$,以及抽取的相应随机似然纵坐标$Y\equiv L(X)$。很自然地会指定$g(x)$并询问:$Y$的隐含分布是什么?在本文中,我们采取了相反的问题:$Y$的分布应该是什么,使隐含的重要性函数$g(x)$是好的近似$Z$?我们的答案在垂直似然的视角下统一了七种看似不同的算法:重要性抽样、切片抽样、模拟退火/回火、调和均值估计、垂直密度抽样、嵌套抽样和能级抽样(一套来自统计物理学的相关方法)。特别是,我们给出了一个替代介绍嵌套抽样,特别注意这种方法和垂直可能性的角度之间的连接在这里阐述。作为一种替代嵌套采样,我们描述了MCMC方法的基础上重新加权切片采样。这种方法的收敛性进行了研究,两个例子证明了承诺的整体方法。
2015-06-23 math.ST stat.CO stat.TH
Risk-neutral limit of adaptive importance sampling of random stopping times
本文研究涉及无界停时的退出问题的重要性抽样,指出方差最小化技术的朴素应用可能导致病态,并提出基于风险敏感最优控制框架的解决方案。
2024-02-13 math.PR stat.CO
A Latent Slice Sampling Algorithm
在本文中,我们介绍了一种新的采样算法,它有可能被采用作为一个通用的替代梅特罗波利斯-黑斯廷斯算法。它与切片采样器有关,并且由适用于离散概率分布的算法驱动,该算法可以被视为该设置中的梅特罗波利斯-黑斯廷斯算法的替代方案,该算法避免了对建议分布的需要,因为它没有接受/拒绝分量。本文着眼于连续对应。隐变量与切片采样器和应用于均匀密度函数的收缩过程相结合,创建了一个高效的采样器,该采样器可以从非常高维的分布作为单个块生成随机变量。
2020-10-16 stat.CO
A Dimension-Independent Bound on the Wasserstein Contraction Rate of a Geodesic Random Walk on the Sphere
本文证明了欧几里得$d$-球面上测地线随机游走的Wasserstein收缩率具有与维度$d$无关的上界,为geodesic slice sampling和Gibbsian polar slice sampling等MCMC方法实现维度无关性能提供了理论依据。
2024-06-16 math.PR math.ST stat.TH
Weak Poincaré inequality comparisons for ideal and hybrid slice sampling
本文利用弱庞加莱不等式框架比较混合与理想切片抽样的狄利克雷型,证明二者在适当条件下可相互继承快速收敛性,并应用于分析多种切片抽样算法的收敛行为。
2025-08-22 math.PR stat.CO stat.ME
Stable Reinforcement Learning with Unbounded State Space
MIT(麻省理工学院);Cornell University(康奈尔大学)
本文考虑了由调度网络中的经典调度问题所激发的具有无界状态空间的强化学习(RL)问题。传统的策略以及为有限、有界或紧凑状态空间设计的误差度量需要无限样本来为无界状态空间提供任何有意义的性能保证(例如,$\ell_\infty$误差)。也就是说,我们需要一个新的性能度量概念。作为这项工作的主要贡献,在排队系统与控制理论的文献的启发下,我们提出了稳定性的概念“善良”的状态动态下的政策应保持在一个有界区域的高概率。作为概念的证明,我们提出了一个RL政策,使用稀疏采样为基础的Monte Carlo Oracle,并认为它满足稳定性,只要系统动力学下的最优策略尊重李雅普诺夫函数。存在李雅普诺夫函数的假设不是限制性的,因为它等价于任何马尔可夫链的正递归或稳定性,即,如果有任何政策可以稳定系统,那么它必须拥有一个李雅普诺夫函数。而且,我们的政策不利用知识的具体李雅普诺夫函数。为了使我们的方法样本效率,我们提供了一个改进的,样本效率的稀疏采样的蒙特卡罗Oracle与Lipschitz价值函数,可能是在自己的权利感兴趣。此外,我们设计了一个自适应版本的算法,精心构造的统计测试,自动找到正确的调整参数的基础上。
2020-06-08 cs.LG stat.ML
Optimisation via Slice Sampling
在本文中,我们开发了一种基于模拟的方法,使用切片采样多模态函数的优化。我们的方法指定的目标函数作为玻尔兹曼分布的能量潜力,然后我们使用辅助指数切片变量提供各种能量水平的样本。我们的切片采样器在增强切片区域上均匀绘制。我们通过将链的路径投影回底层空间来识别全局模式。四个标准的检验函数被用来说明的方法:Rosenbrock,Himmelblau,Rastrigin,和舒伯特。这些功能证明了我们的方法的灵活性,因为它们包括功能与长脊(Rosenbrock),多模态(Himmelblau,舒伯特)和许多本地模式占主导地位的一个全球(Rastrigin)。此处描述的方法在{ \tt R}软件包{ \tt McmcOpt}中实现。
2012-12-10 math.OC stat.CO
Transitional annealed adaptive slice sampling for Gaussian process hyper-parameter estimation
代理模型在科学和工程中已经变得无处不在,因为它们能够模拟昂贵的计算机代码,这是建模和研究复杂现象所必需的。基于高斯过程的贝叶斯仿真器充分量化了由原始仿真器的成本导致的不确定性,从而无法在整个输入空间上对其进行评估。然而,在文献中常见的是,仅进行部分贝叶斯分析,由此通过无梯度优化或遗传算法来估计潜在的超参数,仅举几个方法。另一方面,最大后验概率(MAP)估计可能会丢弃超参数空间的重要区域。在本文中,我们进行了一个更完整的贝叶斯推断,结合切片抽样与最近发展的序贯蒙特卡罗抽样。由此产生的算法通过延迟拒绝,包括类似于渐近独立马尔可夫采样和并行化通过过渡马尔可夫链蒙特卡罗的退火方案,提高了混合的采样。给出了与高斯过程超参数估计有关的实例。出于可重复性、进一步开发和在其他应用中使用的目的,本文中生成示例的代码可从http://github.com/agarbuno/ta2s2_codes免费下载
2017-08-01 stat.CO
Slice sampling covariance hyperparameters of latent Gaussian models
高斯过程(GP)是一种在概率模型中指定随机变量之间依赖关系的流行方法。在贝叶斯框架中,协方差结构可以使用未知的超参数来指定。在进行预测时,对这些超参数进行积分会考虑对数据的不同可能解释。该积分通常使用马尔可夫链蒙特卡罗(MCMC)采样来执行。然而,对于非高斯观测,标准超参数采样方法需要仔细调整,并且可能收敛缓慢。在本文中,我们提出了一个切片采样方法,需要很少的调整,同时混合以及在强和弱的数据制度。
2010-10-28 stat.CO stat.ML
Fast Approximation of the Sliced-Wasserstein Distance Using Concentration of Random Projections
LTCI, Télécom Paris, Institut Polytechnique de Paris(巴黎电信学院,巴黎综合理工学院);ESSEC Business School(ESSEC商学院)
切片-瓦瑟斯坦距离(SW)越来越多地用于机器学习应用中作为瓦瑟斯坦距离的替代,并且提供显著的计算和统计益处。由于它被定义为随机投影上的期望,因此SW通常通过蒙特卡罗近似。我们采用了一种新的观点来近似SW,利用测量集中现象:在温和的假设下,一个高维随机向量的一维投影近似高斯。基于这一观察,我们开发了一个简单的确定性近似SW。我们的方法不需要采样的随机投影的数量,因此是准确和易于使用相比,通常的蒙特卡罗近似。我们推导出我们的方法的非渐近保证,并表明,近似误差为零,随着维数的增加,在弱依赖条件下的数据分布。我们验证了我们的理论研究结果的合成数据集,并说明了生成建模问题的建议近似。
2022-01-04 cs.LG stat.ML
Bayesian Post-Processing Methods for Jitter Mitigation in Sampling
即使在信号先验分布和加性噪声具有正态分布的情况下,来自被抖动(定时噪声)和加性噪声破坏的样本的信号的最小均方误差(MMSE)估计也是非线性的。本文提出了一种基于吉布斯抽样和切片抽样的随机算法来逼近贝叶斯公式中的最优MMSE估计。仿真结果表明,该非线性算法比线性MMSE估计有明显的改进,同时也比期望最大化算法逼近经典估计中的极大似然(ML)估计有明显的提高。通过有效的片外后处理来缓解抖动,可以容忍更大的抖动,从而潜在地降低片内ADC功耗。
2010-10-08 stat.AP
Adaptive Generalized Elliptical Slice Sampling
Duke University(杜克大学);Department of Statistical Science, Duke University(杜克大学统计科学系)
针对无梯度MCMC中手动调参、维度扩展和局部几何适应性的挑战,提出自适应广义椭圆切片采样(AGESS),通过结合椭圆切片采样与衰减自适应,实现从慢混合到快混合的自校正,并保持遍历性。
2026-08-04 stat.CO
Fast Gibbs sampling for high-dimensional Bayesian inversion
Centre for Medical Image Computing, University College London(医学图像计算中心,伦敦大学学院)
本文提出了一种改进的吉布斯采样方法,用于高维贝叶斯反演问题,支持多种先验分布,如一般ℓ_𝑝^𝑞先验和硬约束,并通过计算实例展示了其在CT数据反演中的应用效果。
2016-07-05 cs.NA math.NA math.PR
Geodesic slice sampling on Riemannian manifolds
本文提出测地切片采样方法,将 Hit-and-run 切片采样推广到黎曼流形,用于矩阵值参数贝叶斯推断,无需梯度信息即可稳健处理各向异性目标分布。
2025-08-22 math.PR stat.AP stat.CO
Nested Slice Sampling: Vectorized Nested Sampling for GPU-Accelerated Inference
Kavli Institute for Cosmology Cambridge(剑桥卡维利宇宙研究所);Institute of Astronomy, University of Cambridge(剑桥大学天文研究所);Cavendish Laboratory and Department of Engineering, University of Cambridge(剑桥大学卡文迪许实验室和工程系)
本文提出嵌套切片采样,一种适用于GPU的向量化嵌套采样方法,通过Hit-and-Run切片采样实现约束更新,提升高维问题的计算效率和稳定性,实验表明其在复杂多模态问题中表现优异。
2026-05-10 cs.LG stat.CO stat.ML
Reversibility of elliptical slice sampling revisited
Faculty of Computer Science and Mathematics, Universität Passau(帕绍大学计算机科学与数学系);Expert Analytics GmbH(Expert Analytics 公司)
本文将椭圆切片采样推广到无穷维可分希尔伯特空间,通过分析收缩马尔可夫链重新证明其可逆性,并证明其诱导半正定马尔可夫算子。
2024-05-06 cs.LG math.ST stat.CO
Exact slice sampler for Hierarchical Dirichlet Processes
我们提出了一种用于分层狄利克雷过程(HDP)及其相关混合模型的精确切片采样器(Teh等人,2006年)。虽然有现有的MCMC算法的采样从HDP,切片采样器已失踪的文献。切片采样以其理想的特性而闻名,包括其快速混合和其自然的并行化潜力。另一方面,HDPs的分层性质对采用成熟的切片采样器提出了挑战,该采样器自动截断所有涉及的无限测量而无需特别修改。在这项工作中,我们采用贝叶斯变量增强的强大思想来应对这一挑战。通过引入新的隐变量,我们得到了适合于切片抽样的联合分布的全因子分解。我们的算法有几个吸引人的特点,如(1)快速混合;(2)保持精确,同时允许自然截断的基础无限维措施,如(Kalli等人,2011),导致在每次迭代中仅更新有限数量的必要原子和权重;以及(3)自然地适合于并行实现。全似然联合因子分解的基本原理很简单,可以应用于许多其他设置,例如为一般相关Dirichlet过程(DDP)模型设计采样算法。
2019-03-21 cs.LG stat.CO stat.ML
Nested Sampling with Slice-within-Gibbs: Efficient Evidence Calculation for Hierarchical Bayesian Models
Kavli Institute for Cosmology Cambridge, University of Cambridge(剑桥大学卡弗里宇宙学研究所);Institute of Astronomy, University of Cambridge(剑桥大学天文学研究所)
NS-SwiG是一种用于分层贝叶斯模型的高效证据计算算法,通过切片内吉布斯核和似然预算分解提升高维模型的采样效率和证据估计精度。
2026-02-19 astro-ph.IM stat.CO stat.ME
Optimal Sampling for Kernel Quadrature on Unbounded Domains
CEREMADE, Université Paris-Dauphine, Université PSL, CNRS(CEREMADE,巴黎第九大学,巴黎文理研究大学,法国国家科学研究中心);Department of Statistics, University of Warwick(华威大学统计系);Université Paris-Saclay, INRAE, AgroParisTech, UMR MIA Paris-Saclay(巴黎萨克雷大学,法国国家农业食品与环境研究院,巴黎农学院,MIA巴黎萨克雷联合研究单位)
本文研究了随机 quadrature 方法,旨在提高鲁棒性而非特定核的最优性。提出了一种显式且依赖于 n 的采样分布,能够在不需了解核的情况下实现最小最大误差率,扩展到无界域,提供理论保证和实用的鲁棒最优随机 quadrature 方法。
2026-05-18 stat.CO stat.ME
Comparison of Step Samplers for Nested Sampling
使用嵌套抽样的贝叶斯推断需要似然限制先验抽样方法,该方法从超过似然阈值的先验分布中抽取样本。对于高维问题,已经提出了马尔可夫链蒙特卡罗导数。我们数值研究了基于切片采样,打了就跑和差分进化算法在椭球,非椭球和非凸问题从2到100维的10个算法。混合能力的评价与嵌套抽样收缩试验。这使得我们的结果有效的独立于如何重尾后验。给定相同数目的步骤,切片采样的性能优于打了就跑和白化切片采样,而白化打了就跑不提供良好的结果。沿着活点对的差分向量提出也导致了最高的效率,并且对于多模态问题似乎很有希望。在UltraNest嵌套采样包中实现了测试建议,从而实现了与天文学,宇宙学,粒子物理学和天文学相关的一大类实际推理问题的有效低维和高维推理。
2023-02-10 astro-ph.IM stat.CO
Statistical Inference for Privatized Data with Unknown Sample Size
University of Pittsburgh(匹兹堡大学);Florida State University(佛罗里达州立大学);Dartmouth College(达特茅斯学院)
针对无界差分隐私下样本量也需隐私保护的私有化数据,该研究发展相关理论算法,证明抽样分布与后验分布的收敛性,提出两种MCMC与蒙特卡洛EM算法,并将其应用于线性回归模型和微观数据的分析。
2026-09-07 cs.CR math.ST stat.CO