Copertina

Accurate Large-sample Uncertainty Quantification using Stochastic Gradient Markov Chain Monte Carlo

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Wang, Yu, Ding, Jie, Huggins, Jonathan H.
Natura:	Preprint
Pubblicazione:	2026
Soggetti:	Machine Learning Methodology
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Large-scale Uncertainty Quantification for Latent Variable Models Using Subsampling Markov Chain Monte Carlo
di: Wang, Xiaoyu, et al.
Pubblicazione: (2026)

Robust, Accurate Stochastic Optimization for Variational Inference
di: Dhaka, Akash Kumar, et al.
Pubblicazione: (2020)

Gaussian Invariant Markov Chain Monte Carlo
di: Titsias, Michalis K., et al.
Pubblicazione: (2025)

Stereographic Markov Chain Monte Carlo
di: Yang, Jun, et al.
Pubblicazione: (2022)

Bayesian penalized empirical likelihood and Markov Chain Monte Carlo sampling
di: Chang, Jinyuan, et al.
Pubblicazione: (2024)

Tuning-Free Coreset Markov Chain Monte Carlo via Hot DoG
di: Chen, Naitong, et al.
Pubblicazione: (2024)

Multivariate and Online Transfer Learning with Uncertainty Quantification
di: Hickey, Jimmy, et al.
Pubblicazione: (2024)

Markov chain Monte Carlo without evaluating the target: an auxiliary variable approach
di: Yuan, Wei, et al.
Pubblicazione: (2024)

Adaptive Meta-Learning Stochastic Gradient Hamiltonian Monte Carlo Simulation for Bayesian Updating of Structural Dynamic Models
di: Meng, Xianghao, et al.
Pubblicazione: (2026)

Uncertainty Quantification With Multiple Sources
di: Ying, Mufang, et al.
Pubblicazione: (2024)

A Framework for Improving the Reliability of Black-box Variational Inference
di: Welandawe, Manushi, et al.
Pubblicazione: (2022)

Interventional Processes for Causal Uncertainty Quantification
di: Dance, Hugh, et al.
Pubblicazione: (2024)

Fast Uncertainty Quantification for Kernel-Based Estimators in Large-Scale Causal Inference
di: Kosko, Matthew, et al.
Pubblicazione: (2026)

Parallel Affine Transformation Tuning of Markov Chain Monte Carlo
di: Schär, Philip, et al.
Pubblicazione: (2024)

Tight Generalization Error Bounds for Stochastic Gradient Descent in Non-convex Learning
di: Xiong, Wenjun, et al.
Pubblicazione: (2025)

Uncertainty Quantification of MLE for Entity Ranking with Covariates
di: Fan, Jianqing, et al.
Pubblicazione: (2022)

Parameter Expanded Stochastic Gradient Markov Chain Monte Carlo
di: Kim, Hyunsu, et al.
Pubblicazione: (2025)

Entropic Mirror Monte Carlo
di: Cherradi, Anas, et al.
Pubblicazione: (2026)

Smooth Sailing: Lipschitz-Driven Uncertainty Quantification for Spatial Association
di: Burt, David R., et al.
Pubblicazione: (2025)

On the Need to Align Intent and Implementation in Uncertainty Quantification for Machine Learning
di: Trivedi, Shubhendu, et al.
Pubblicazione: (2025)

Intrinsic effective sample size for manifold-valued Markov chain Monte Carlo via kernel discrepancy
di: You, Kisung
Pubblicazione: (2026)

How Many Human Survey Respondents is a Large Language Model Worth? An Uncertainty Quantification Perspective
di: Huang, Chengpiao, et al.
Pubblicazione: (2025)

Neural Conditional Probability for Uncertainty Quantification
di: Kostic, Vladimir R., et al.
Pubblicazione: (2024)

Monte Carlo and quasi-Monte Carlo integration for likelihood functions
di: Tang, Yanbo
Pubblicazione: (2025)

Fully Bayesian Spectral Clustering and Benchmarking with Uncertainty Quantification for Small Area Estimation
di: Fúquene-Patiño, Jairo
Pubblicazione: (2025)

Automated Efficient Estimation using Monte Carlo Efficient Influence Functions
di: Agrawal, Raj, et al.
Pubblicazione: (2024)

Towards Improved Uncertainty Quantification of Stochastic Epidemic Models Using Sequential Monte Carlo
di: Fadikar, Arindam, et al.
Pubblicazione: (2024)

Goal-Oriented Bayesian Optimal Experimental Design for Nonlinear Models using Markov Chain Monte Carlo
di: Zhong, Shijie, et al.
Pubblicazione: (2024)

Randomized Quasi-Monte Carlo Features for Kernel Approximation
di: Huang, Yian, et al.
Pubblicazione: (2025)

HiGrad: Uncertainty Quantification for Online Learning and Stochastic Approximation
di: Su, Weijie J., et al.
Pubblicazione: (2018)

Statistical Inference for Differentially Private Stochastic Gradient Descent
di: Xia, Xintao, et al.
Pubblicazione: (2025)

PCS-UQ: Uncertainty Quantification via the Predictability-Computability-Stability Framework
di: Agarwal, Abhineet, et al.
Pubblicazione: (2025)

Scalable Monte Carlo for Bayesian Learning
di: Fearnhead, Paul, et al.
Pubblicazione: (2024)

Uncertainty Quantification for Prior-Data Fitted Networks using Martingale Posteriors
di: Nagler, Thomas, et al.
Pubblicazione: (2025)

Understanding the Trade-offs in Accuracy and Uncertainty Quantification: Architecture and Inference Choices in Bayesian Neural Networks
di: Sheinkman, Alisa, et al.
Pubblicazione: (2025)

Efficient Online Variational Estimation via Monte Carlo Sampling
di: Chagneux, Mathis, et al.
Pubblicazione: (2026)

"Over-optimizing" for Normality: Budget-constrained Uncertainty Quantification for Contextual Decision-making
di: Wang, Yanyuan, et al.
Pubblicazione: (2025)

Model-Free Kernel Conformal Depth Measures Algorithm for Uncertainty Quantification in Regression Models in Separable Hilbert Spaces
di: Matabuena, Marcos, et al.
Pubblicazione: (2025)

Robust Inference of Dynamic Covariance Using Wishart Processes and Sequential Monte Carlo
di: Huijsdens, Hester, et al.
Pubblicazione: (2024)

Chained Markov melding using divide and conquer sequential Monte Carlo
di: Liu, Yixuan, et al.
Pubblicazione: (2026)