机构名称：
¥ 2.0
为了使这些研究更加系统，并真正评估了方法的性能，重要的是具有良好的基准，即当地MCMC确保很难采样的问题。在90年代初期，必须面对同样的问题，以评估寻找优化或满足性问题解决方案的本地搜索算法的性能[21]。在这种情况下，通过引入研究的随机实例的集合来解决生成良好基准的问题[21 - 24]。随后在数值和分析上都显示了这些随机优化/满足性问题需要在N中成倍缩放，以在某些参数空间的某些区域在足够低的温度下进行适当的采样[2]。因此，它们为采样算法提供了很好的基准。然而，最近将机器学习方法应用于加速抽样的尝试尚未考虑这些基准。在本文中，我们考虑了一个典型的难以样本的随机问题，即随机图的着色，我们表明所有提出的方法都无法解决。我们的结果证实，这类问题是抽样方法的真正挑战，甚至在智能机器学习的动作的帮助下。[20]中研究的模型可能属于此类。此外，我们讨论了一些实际问题，例如学习辅助模型时的模式崩溃，当目标概率分布具有多个峰值时，并且辅助模型仅学习其中一个（或一个子集）。
机器学习辅助的蒙特卡洛在抽样中失败了计算困难问题
主要关键词
相关文件推荐
