Acceleration Strategies of Markov Chain Monte Carlo for Bayesian Computation - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2018

Acceleration Strategies of Markov Chain Monte Carlo for Bayesian Computation

Stratégies d'accélération des algorithmes de Monte Carlo par chaîne de Markov pour le calcul Bayésien

Résumé

MCMC algorithms are difficult to scale, since they need to sweep over the whole data set at each iteration, which prohibits their applications in big data settings. Roughly speaking, all scalable MCMC algorithms can be divided into two categories: divide-and-conquer methods and subsampling methods. The aim of this project is to reduce the computing time induced by complex or largelikelihood functions.
Les algorithmes MCMC sont difficiles à mettre à l'échelle, car ils doivent balayer l'ensemble des données à chaque itération, ce qui interdit leurs applications dans de grands paramètres de données. En gros, tous les algorithmes MCMC évolutifs peuvent être divisés en deux catégories: les méthodes de partage et de conquête et les méthodes de sous-échantillonnage. Le but de ce projet est de réduire le temps de calcul induit par des fonctions complexes ou à grande efficacité.
Fichier principal
Vignette du fichier
TheseFinale_WUE.pdf (2.62 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-01943788 , version 1 (04-12-2018)

Identifiants

  • HAL Id : tel-01943788 , version 1

Citer

Chang-Ye Wu. Acceleration Strategies of Markov Chain Monte Carlo for Bayesian Computation. Probability [math.PR]. Université Paris sciences et lettres, 2018. English. ⟨NNT : 2018PSLED019⟩. ⟨tel-01943788⟩
117 Consultations
410 Téléchargements

Partager

Gmail Facebook X LinkedIn More