হ্যাঁ। অন্যান্য উত্তরগুলির মতামতগুলির বিপরীতে, 'টিপিক্যাল' মেশিন-শেখার পদ্ধতি যেমন ননপ্যারমেট্রিক্স এবং (গভীর) নিউরাল নেটওয়ার্কগুলি আরও ভাল এমসিসিএম স্যাম্পেলার তৈরি করতে সহায়তা করতে পারে।
এমসিএমসির লক্ষ্য হ'ল একটি (অস্বাভাবিক) লক্ষ্য বন্টন থেকে নমুনা আঁকুন । প্রাপ্ত নমুনাগুলি আনুমানিক হিসাবে ব্যবহৃত হয় এবং বেশিরভাগ অধীনে ফাংশনগুলির প্রত্যাশা গণনা করতে (যেমন, উচ্চ-মাত্রিক ইন্টিগ্রালস) এবং বিশেষত, বৈশিষ্ট্যগুলি ব্যবহৃত হয়চ( এক্স )চচচ (যেমন মুহুর্তগুলির জন্য) ব্যবহৃত হয়।
স্যাম্পলিংয়ের জন্য সাধারণত হ্যামিলটোনিয়ান মন্টি কার্লো (এইচএমসি) এর মতো পদ্ধতির জন্য এবং এর গ্রেডিয়েন্টের প্রচুর মূল্যায়ন প্রয়োজন । তাহলে চ নির্ণয় করা ব্যয়বহুল হয়, অথবা গ্রেডিয়েন্ট অনুপলব্ধ, কখনও কখনও এর কম দামী নির্মাণ করা সম্ভব ভাড়াটে ফাংশন স্যাম্পলিং গাইড করতে সহায়তা করে এবং স্থানে মূল্যায়ন করা হয় করতে পারে চ (একটি উপায় যে এখনও এমসিএমসি বৈশিষ্ট্য অপরিবর্তিত মধ্যে)।চচচ
উদাহরণস্বরূপ, একটি ধাতুগত কাগজ ( রাসমুসেন 2003 ) ব্যবহার করতে প্রস্তাব গসিয়ান প্রসেস (ক nonparametric ফাংশন পড়তা) এর একটি পড়তা গড়ে তুলতে এবং ক্ষেত্রে HMC একমাত্র স্বীকৃতি / প্রত্যাখ্যান পদক্ষেপ উপর ভিত্তি করে সঙ্গে, ভাড়াটে ফাংশন উপর ক্ষেত্রে HMC সঞ্চালন চ । এটি আসল চ এর মূল্যায়নের সংখ্যা হ্রাস করে এবং পিডিএফসগুলিতে এমসিএমসি সম্পাদনের অনুমতি দেয় যা অন্যথায় মূল্যায়ন করতে খুব ব্যয়বহুল হবে।লগচচচ
এমসিএমসিকে গতি বাড়ানোর জন্য সারোগেটগুলি ব্যবহার করার ধারণাটি বিগত কয়েক বছরে অনেকগুলি অনুসন্ধান করা হয়েছে, মূলত সার্গেট কার্য সম্পাদন করার জন্য বিভিন্ন উপায়ে চেষ্টা করে এবং দক্ষতার সাথে / অভিযোজিতভাবে বিভিন্ন এমসিএমসি পদ্ধতির সাথে সংমিশ্রণ করা (এবং এমনভাবে যা 'সঠিকতা সংরক্ষণ করে' এমসিএমসি স্যাম্পলিংয়ের)। আপনার প্রশ্নের সাথে সম্পর্কিত, এই দুটি অতি সাম্প্রতিক কাগজগুলি উন্নত মেশিন লার্নিং কৌশলগুলি ব্যবহার করে - এলোমেলো নেটওয়ার্ক ( ঝাং এট আল। 2015 ) বা অভিযোজিতভাবে শিখানো এক্সফোনেনশিয়াল কার্নেল ফাংশন ( স্ট্রথম্যান এট আল। 2015 ) - সারোগেট ফাংশনটি তৈরি করতে।
এইচএমসি এমসিএমসির একমাত্র ফর্ম নয় যা সারোগেটগুলি থেকে উপকৃত হতে পারে। উদাহরণস্বরূপ, নিশিয়ারা এট আল। (2014) একটি ঘাঁটিযুক্ত নমুনার মাল্টি-চেইন স্টেটে মাল্টিভারিয়েট স্টুডেন্টের বিতরণ ফিটিং করে লক্ষ্য ঘনত্বের একটি আনুমানিকতা তৈরি করুন এবং উপবৃত্তাকার স্লাইস স্যাম্পলিংয়ের একটি সাধারণ রূপটি সম্পাদন করতে এটি ব্যবহার করুন ।টি
এগুলি কেবল উদাহরণ। সাধারণভাবে, বেশ কয়েকটি স্বতন্ত্র এমএল কৌশলগুলি (বেশিরভাগ ফাংশন আনুমানিকতা এবং ঘনত্ব অনুমানের ক্ষেত্রে) এমসিএমসি স্যাম্পেলারগুলির দক্ষতা উন্নত করতে পারে এমন তথ্য আহরণের জন্য ব্যবহার করা যেতে পারে। তাদের আসল উপযোগিতা - যেমন "প্রতি সেকেন্ডে কার্যকর স্বতন্ত্র নমুনার সংখ্যায় পরিমাপ করা" - ব্যয় ব্যয়বহুল বা কিছুটা শক্ত হওয়াতে শর্তযুক্ত ; এছাড়াও, এই পদ্ধতিগুলির অনেকগুলি তাদের নিজস্ব প্রয়োগ বা সীমাবদ্ধকরণের মাধ্যমে নিজস্ব বা অতিরিক্ত জ্ঞানের সুরের প্রয়োজন হতে পারে।চ
তথ্যসূত্র:
রাসমুসেন, কার্ল এডওয়ার্ড। "গসিয়ান দামি বায়েশিয়ান ইন্টিগ্রালের জন্য হাইব্রিড মন্টি কার্লো গতি বাড়ানোর প্রক্রিয়া করছেন।" বায়েশিয়ান পরিসংখ্যান 7. 2003।
জাং, চেং, বাবাক শাহবাবা, এবং হংকাই ঝাও। "র্যান্ডম বেসগুলি সহ সারোগেট ফাংশনগুলি ব্যবহার করে হ্যামিলটোনীয় মন্টি কার্লো ত্বরণ।" আরএক্সিভ প্রিপ্রিন্ট আরএক্সিভ: 1506.05555 (2015)।
স্ট্রেথম্যান, হাইকো, ইত্যাদি। "দক্ষ কার্নেল ক্ষতিকারক পরিবারগুলির সাথে গ্রেডিয়েন্ট-মুক্ত হ্যামিলটোনিয়ান মন্টি কার্লো" " নিউরাল ইনফরমেশন প্রসেসিং সিস্টেমগুলিতে অগ্রগতি। 2015।
নিশিহারা, রবার্ট, আয়েন মারে, এবং রায়ান পি অ্যাডামস। "জেনারাইজড উপবৃত্তাকার স্লাইস স্যাম্পলিং সহ সমান্তরাল এমসিএমসি।" মেশিন লার্নিং রিসার্চ জার্নাল 15.1 (2014): 2087-2112।