抽象的
gumbel技巧是从离散概率分布中采样的方法，或者估计其归一化分区功能。该方法依赖于以特定方式重复地对分布的随机扰动，每次求解最可能的配置。我们派生了一系列相关方法，其中Gumbel技巧是一个成员，并表明新方法在几个设置中具有卓越的特性，具有最小的额外计算成本。特别是，对于为离散图形模型产生计算益处的Gumbel技巧，所有配置的Gumbel扰动通常都被考虑的低级扰动所替换。我们展示了新的方法如何适应此设置，从而在日志分区功能上证明新的上限和下限，并导出了用于GIBBS分发的顺序采样器系列。最后，我们通过展示Gumbel Crick的更简单的分析形式来平衡讨论，使得能够提供额外的理论结果。
作者
Matej Balog，Nilesh Tripuraneni，Zoubin Ghahramani.，阿德里安韦勒
会议
ICML 2017.
全文
优步AI.
注释