আমি একটি উচ্চ-মাত্রিক ইনফারেন্স সমস্যা (প্রায় 2000 মডেল প্যারামিটার) নিয়ে কাজ করছি যার জন্য আমরা গ্রেডিয়েন্ট-ভিত্তিক অপ্টিমাইজেশন এবং জেনেটিক অ্যালগরিদমের সংমিশ্রণ ব্যবহার করে লগ-পোস্টেরিয়রের গ্লোবাল সর্বাধিক সন্ধান করে ম্যাপের প্রাক্কলন দৃ rob়তার সাথে সক্ষম করতে পারি।
আমি এমএপি অনুমানটি সন্ধানের পাশাপাশি মডেল প্যারামিটারগুলিতে অনিশ্চয়তার কিছুটা আন্দাজ করতে সক্ষম হতে চাই very
আমরা প্যারামিটারগুলির সাথে সম্মতভাবে লগ-পোস্টেরিয়রের গ্রেডিয়েন্টকে দক্ষতার সাথে গণনা করতে সক্ষম হচ্ছি, এত দীর্ঘমেয়াদে আমরা হ্যামিলটোনিয়ান এমসিসিএমকে কিছু নমুনা তৈরি করতে ব্যবহার করার লক্ষ্য রেখেছি, তবে আপাতত আমি নন-স্যাম্পলিং ভিত্তিক অনুমানগুলিতে আগ্রহী।
আমি যে একমাত্র পদ্ধতির সাথে জানি তা হ'ল হেসিয়ান এর বিপরীত গণনাটি মোডে মাল্টিভারিয়েট স্বাভাবিক হিসাবে আনুমানিক হিসাবে গণ্য করা, তবে এমনকি এটি এত বড় সিস্টেমের জন্য অপরিহার্য বলে মনে হয়, যদিও আমরা গণনা করি চট আমি উপাদান নিশ্চিত আমরা তার বিপরীত খুঁজে পাইনি আছি।
এই জাতীয় ক্ষেত্রে সাধারণত কোন ধরণের পদ্ধতির ব্যবহার করা যায় তা কি কেউ পরামর্শ দিতে পারেন?
ধন্যবাদ!
সম্পাদনা - সমস্যা সম্পর্কিত অতিরিক্ত তথ্য
পটভূমি
এটি একটি বড় পদার্থবিজ্ঞানের পরীক্ষার সাথে সম্পর্কিত একটি বিপরীত-সমস্যা। আমাদের কাছে একটি 2 ডি ত্রিভুজাকার জাল রয়েছে যা কিছু শারীরিক ক্ষেত্রগুলিকে বর্ণনা করে এবং আমাদের মডেল পরামিতিগুলি জালের প্রতিটি শীর্ষে এই ক্ষেত্রগুলির দৈহিক মান। জালটির প্রায় 650 টি উল্লম্ব রয়েছে, এবং আমরা 3 টি ক্ষেত্রের মডেল করি, যাতে আমাদের 2000 মডেলের প্যারামিটারগুলি আসে।
আমাদের পরীক্ষামূলক তথ্যগুলি এমন যন্ত্রগুলি থেকে আসে যা সরাসরি এই ক্ষেত্রগুলি পরিমাপ করে না, তবে ক্ষেত্রগুলির জটিল অ-লিনিয়ার ফাংশনগুলির পরিমাণ are বিভিন্ন যন্ত্রের প্রত্যেকটির জন্য আমাদের একটি ফরোয়ার্ড-মডেল রয়েছে যা পরীক্ষামূলক তথ্যগুলির পূর্বাভাসগুলির জন্য মডেল পরামিতিগুলি মানচিত্র করে এবং ভবিষ্যদ্বাণী এবং পরিমাপের মধ্যে একটি তুলনা লগ-সম্ভাবনা দেয়।
এরপরে আমরা এই সমস্ত বিভিন্ন যন্ত্র থেকে লগ-সম্ভাবনার সংক্ষিপ্তকরণ করব এবং কিছু লগ-পূর্বের মান যুক্ত করব যা ক্ষেত্রগুলিতে কিছু শারীরিক বাধা প্রয়োগ করে।
ফলস্বরূপ আমি সন্দেহ করি যে এই 'মডেল' ঝরঝরেভাবে একটি বিভাগে পড়ে - আমাদের কাছে মডেল কী তা পছন্দ করার উপায় নেই, এটি আমাদের পরীক্ষামূলক ডেটা সংগ্রহ করার জন্য প্রকৃত যন্ত্রগুলি কীভাবে কাজ করে তা নির্ধারিত হয়।
ডেটা সেট
ডেটা সেটটি 500x500 চিত্রের সমন্বয়ে গঠিত এবং প্রতিটি ক্যামেরার জন্য একটি চিত্র রয়েছে তাই মোট ডেটা পয়েন্ট 500x500x4 = ।
ত্রুটি মডেল
আমরা এই মুহূর্তে গাউসিয়ান হওয়ার সমস্যাটিতে সমস্ত ত্রুটি নিই। কিছু সময় আমি কেবল কিছু অতিরিক্ত নমনীয়তার জন্য একটি ছাত্র-টি ত্রুটি মডেলটিতে চলে যাওয়ার চেষ্টা করতে পারি, তবে জিনিসগুলি এখনও কেবল গাউসিয়ানদের সাথে ভালভাবে কাজ করছে বলে মনে হচ্ছে।
সম্ভাবনার উদাহরণ
এটি একটি প্লাজমা পদার্থবিজ্ঞানের পরীক্ষা এবং আমাদের প্রচুর উপাত্ত কেবলমাত্র আলোক বর্ণের নির্দিষ্ট অংশগুলিতে দেখার জন্য লেন্সগুলির সামনে নির্দিষ্ট ফিল্টারযুক্ত প্লাজমাটিতে নির্দেশিত ক্যামেরা থেকে আসে।
তথ্য পুনরুত্পাদন করতে দুটি পদক্ষেপ রয়েছে; প্রথমে আমাদের জাল উপরের প্লাজমা থেকে আগত আলোর মডেল করতে হবে, তারপরে আমাদের সেই আলোকে ক্যামেরার চিত্রটিতে ফিরে যেতে হবে।
দুর্ভাগ্যক্রমে প্লাজমা থেকে আগত আলোর মডেলিং নির্ভর করে কার্যকরভাবে রেট সহগগুলি কীসের উপর নির্ভর করে, যা বলছে ক্ষেত্রগুলি প্রদত্ত বিভিন্ন প্রক্রিয়া দ্বারা কত আলোকপাত হয়। এই হারগুলি কিছু ব্যয়বহুল সংখ্যাসূচক মডেল দ্বারা পূর্বাভাস দেওয়া হয়েছে, সুতরাং আমাদের গ্রিডগুলিতে তাদের আউটপুট সংরক্ষণ করতে হবে, এবং তারপরে মানগুলি দেখার জন্য ইন্টারপোলেট করতে হবে। রেট ফাংশন ডেটা কেবল একবারই গণনা করা হয় - আমরা কোডটি শুরু করার পরে আমরা এটি সংরক্ষণ করি এটি থেকে একটি স্প্লাইন তৈরি করি এবং তারপরে সেই স্প্লাইনটি সমস্ত ফাংশন মূল্যায়নের জন্য ব্যবহৃত হয়।
ধরুন এবং হার ফাংশন (আমরা ক্ষেপক দ্বারা নির্ণয় করা হয় যা), তারপর এ নির্গমন হয় 'জাল তম প্রান্তবিন্দু দেওয়া হয়
যেখানে এমন 3 ক্ষেত্র যা আমরা জালের উপর মডেল করি। কোনও ক্যামেরা চিত্রে নির্গমনের ভেক্টর পাওয়া সহজ, এটি কেবলমাত্র একটি ম্যাট্রিক্স with দিয়ে গুণক যা প্রতিটি ক্যামেরা পিক্সেলের জালটির কোন অংশগুলি এনকোড করে।
যেহেতু ত্রুটিগুলি গাউসিয়ান তাই এই নির্দিষ্ট ক্যামেরার লগ-সম্ভাবনা তখন then
যেখানে the হল ক্যামেরা ডেটা। মোট লগ-সম্ভাবনা উপরের এক্সপ্রেশনগুলির সমষ্টি 4 কিন্তু বিভিন্ন ক্যামেরার জন্য, যার সকলেরই রেট স্পেকট্রামের বিভিন্ন অংশের দিকে তাকাচ্ছে কারণ রেট ফাংশনের বিভিন্ন সংস্করণ রয়েছে ।
পূর্ববর্তী উদাহরণে
আমাদের বিভিন্ন প্রিয়ার রয়েছে যা কার্যকরভাবে বিভিন্ন পরিমাণে কিছু নির্দিষ্ট ওপরের এবং নিম্ন সীমানা নির্ধারণ করে, তবে এগুলি সমস্যার উপর খুব দৃ strongly়তার সাথে কাজ করে না। আমাদের এমন একটি পূর্ববর্তী রয়েছে যা দৃ strongly়তার সাথে কাজ করে যা কার্যকরভাবে ক্ষেত্রগুলিতে ল্যাপ্লাসিয়ান ধরণের স্মুথিং প্রয়োগ করে। এটি একটি গাউসিয়ান রূপও গ্রহণ করে: