切片采样提速新算法：自动调参不靠猜，性能稳到飞起！
Optimal Slice-Adaptive Tuning of Hybrid Slice Sampling
📖 AI 总结
本文研究混合切片采样算法中切片宽度参数w的自适应调优问题。切片采样是一种马尔可夫链蒙特卡洛方法，通过从目标密度函数的超水平集（即“切片”）中均匀采样来生成下一状态，从而实现对目标尺度变化的自动局部适应。然而，实际应用中精确切片未知，通常需从长度为w的初始区间出发逐步扩展近似切片，计算成本与w密切相关。作者分析了在目标切片连续条件下，不同切片查找方案的平均每次迭代目标密度评估次数与w的函数关系，并基于此提出自动化、切片自适应的调优方案，同时给出次优性界和渐近收敛保证。模拟实验表明，该调优方案能稳定获得接近最优的切片自适应效果，且几乎不依赖w的初始设置。
🔑 关键词速览
| Slice sampling | 一种马尔可夫链蒙特卡洛采样方法，通过从目标密度的超水平集（切片）中均匀采样来更新状态。 |
| Hybrid slice sampling | 结合多种切片查找策略的切片采样变体，旨在提高采样效率。 |
| Slice-adaptive tuning | 自动调整切片采样参数（如起始区间长度）以优化性能的方法。 |
| Markov chain Monte Carlo (MCMC) | 一类通过构造马尔可夫链来从目标分布中采样的算法，用于数值积分和统计推断。 |
| Super-level set | 函数值大于或等于某一阈值的集合，在切片采样中即目标密度高于当前水平的区域。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅