Bridge sampling is a powerful Monte Carlo method for estimating ratios of normalizing constants. Various methods have been introduced to improve its efficiency. These methods aim to increase the overlap between the densities by applying appropriate transformations to them without changing their normalizing constants. In this paper, we first give a new estimator of the asymptotic relative mean square error (RMSE) of the optimal Bridge estimator by equivalently estimating an $f$-divergence between the two densities. We then utilize this framework and propose $f$-GAN-Bridge estimator ($f$-GB) based on a bijective transformation that maps one density to the other. Such transformation is chosen to minimize a specific $f$-divergence between them using an $f$-GAN \citep{nowozin2016f}. We show it is equivalent to minimizing the asymptotic RMSE of the optimal Bridge estimator with respect to the densities. In other words, $f$-GB is optimal in the sense that asymptotically, it can achieve an RMSE lower than that achieved by Bridge estimators based on any transformed density within the class of densities generated by the candidate transformations. Numerical experiments show that $f$-GB outperforms existing methods in simulated and real-world examples. In addition, we discuss how Bridge estimators naturally arise from the problem of $f$-divergence estimation.


翻译:Monte Carlo 取样是估算正常常数比率的强大方法。 采用了各种方法来提高效率。 这些方法的目的是通过在不改变正常常数的情况下对密度进行适当变换来增加密度之间的重叠。 在本文中, 我们首先对最佳大桥估计器( RMSE) 的无光度相对平均正方差( RMSE) 进行新的估计, 以等值估算两个密度之间的差值。 然后我们利用这个框架, 并提议美元- GAN- Bridge 估测器( f- GB) 。 换句话说, 美元- GB 估测器( 美元- GB ), 选择这种变异是为了尽可能减少它们之间的特定美元- gAN \ ciep{ nonotozin2016f} 。 我们显示这相当于将最佳大桥估测器( 美元) 的缺值最小值与密度相比。 换句话说, 美元- GB 最优的测算器( GB ) 最优感知性地说, 这种变型的变型的变型的变型机型的变型方法是, 所创式的变型的变型的机型的变型的机型的机型的变型的机型的机型的机型的机型的机型的机型的机型的机型方法, 以的变型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型,, 的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型的机型

0
下载
关闭预览

相关内容

专知会员服务
56+阅读 · 2021年4月12日
【经典书】贝叶斯编程,378页pdf,Bayesian Programming
专知会员服务
247+阅读 · 2020年5月18日
【微众银行】联邦学习白皮书_v2.0,48页pdf,
专知会员服务
165+阅读 · 2020年4月26日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
已删除
将门创投
9+阅读 · 2019年11月15日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
Arxiv
0+阅读 · 2021年8月12日
Arxiv
0+阅读 · 2021年8月11日
Arxiv
7+阅读 · 2020年6月29日
Arxiv
4+阅读 · 2018年5月24日
VIP会员
相关资讯
已删除
将门创投
9+阅读 · 2019年11月15日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
Top
微信扫码咨询专知VIP会员