Thumbnail

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

Wu, Changye (2018), Acceleration Strategies of Markov Chain Monte Carlo for Bayesian Computation, doctoral thesis prepared under the supervision of Robert, Christian P., Université Paris Dauphine

View/Open
Type
Thèse
Date
2018-10-04
Metadata
Show full item record
Author(s)
Wu, Changye
Under the direction of
Robert, Christian P.
Abstract (FR)
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.
Abstract (EN)
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.
Subjects / Keywords
Chaîne de Markov Monte Carlo; Données massives; Processus de Markov déterministe par morceaux; Diviser pour régner; Forêt aléatoire; Markov chain Monte Carlo; Big Data; Piecewise deterministic Markov process; Divide-and-conquer; Random forest
JEL
C15 - Statistical Simulation Methods: General