Memorias de investigación
Ponencias en congresos:
Sticky Proposal Densities for Adaptive MCMC Methods
Año:2016
Áreas de investigación
  • Aplicaciones a ingenierías y ciencias de la información,
  • Teoría de probabilidades y procesos estocásticos,
  • Estadística
Datos
Descripción
Monte Carlo (MC) methods are commonly used in Bayesian signal processing to address complex inference problems. The performance of any MC scheme depends on the similarity between the proposal (chosen by the user) and the target (which depends on the problem). In order to address this issue, many adaptive MC approaches have been developed to construct the proposal density iteratively. In this paper, we focus on adaptive Markov chain MC (MCMC) algorithms, introducing a novel class of adaptive proposal functions that progressively ?stick? to the target. This proposed class of sticky MCMC methods converge very fast to the target, thus being able to generate virtually independent samples after a few iterations. Numerical simulations illustrate the excellent performance of the sticky proposals when compared to other adaptive and non-adaptive schemes.
Internacional
Si
Nombre congreso
2016 IEEE Statistical Signal Processing Workshop (SSP)
Tipo de participación
970
Lugar del congreso
Palma de Mallorca (España)
Revisores
Si
ISBN o ISSN
978-1-4673-7802-4
DOI
10.1109/SSP.2016.7551746
Fecha inicio congreso
26/06/2016
Fecha fin congreso
29/06/2016
Desde la página
1
Hasta la página
5
Título de las actas
Proceedings of the 2016 IEEE Statistical Signal Processing Workshop (SSP)
Esta actividad pertenece a memorias de investigación
Participantes
  • Autor: Luca Martino Universidade de Sao Paulo
  • Autor: Roberto Casarin University Ca' Foscari of Venice
  • Autor: David Luengo Garcia UPM
Grupos de investigación, Departamentos, Centros e Institutos de I+D+i relacionados
  • Creador: Grupo de Investigación: Teoría de Aproximación Constructiva y Aplicaciones
  • Departamento: Teoría de la Señal y Comunicaciones (Provisional)