知识卡片
峰值间混合挑战
MCMC 最主要的失败模式是慢混合:样本高度相关,链长期困在同一个高概率峰值附近,难以按概率访问多个区域。可以把这种行为理解为对能量函数无意中做了带噪声的梯度下降——链倾向走小步长、向低能量区移动,一旦找到某个峰值就围绕它随机游走。跨越两个峰值之间的转移概率随分隔它们的“能量障碍”高度指数下降;当目标分布有多个被低概率区分隔的峰值,且[[吉布斯采样与块更新]]每步只更新强依赖的少量变量时,问题尤为严重。在潜变量模型中还存在一对矛盾:为快速混合希望 p(h|x) 熵大,为学到好表示又希望 h 与 x 互信息高,分布越尖锐越难混合。像分类问题那样每个类各占一个流形的多峰分布会让 MCMC 收敛极慢,可借助[[回火与深度辅助混合]]缓解,而原始采样的生成模型没有这个问题。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第17章 蒙特卡罗方法 · 查看原书依据
具有缓慢混合的MCMC方法可以被视为对能量函数无意地执行类似于带噪声的梯度下降的操作,或者说等价于相对于链的状态(被采样的随机变量)依据概率进行噪声爬坡。
参考来源
- 位置:《深度学习》第17章 蒙特卡罗方法(源文件:extracted/深度学习/_epub-src/text/part0006_split_001.html)
- 结论依据:原文把慢混合类比为对能量函数做带噪声的梯度下降,用能量障碍解释跨峰转移概率的指数下降,并指出表示熵与重构互信息的矛盾。
- 原始内容:具有缓慢混合的MCMC方法可以被视为对能量函数无意地执行类似于带噪声的梯度下降的操作,或者说等价于相对于链的状态(被采样的随机变量)依据概率进行噪声爬坡。