Stratégies d'accélération des algorithmes de Monte Carlo par chaîne de Markov pour le calcul Bayésien
FR |
EN
Auteur / Autrice : | Chang-Ye Wu |
Direction : | Christian P. Robert |
Type : | Thèse de doctorat |
Discipline(s) : | Mathématiques |
Date : | Soutenance le 04/10/2018 |
Etablissement(s) : | Paris Sciences et Lettres (ComUE) |
Ecole(s) doctorale(s) : | Ecole doctorale SDOSE (Paris) |
Partenaire(s) de recherche : | Laboratoire : Centre de recherche en mathématiques de la décision (Paris) |
établissement de préparation de la thèse : Université Paris Dauphine-PSL (1968-....) | |
Jury : | Président / Présidente : Kerrie L. Mengersen |
Examinateurs / Examinatrices : Christian P. Robert, Kerrie L. Mengersen, Nicolas Chopin, Arnaud Doucet, Julien Stoehr | |
Rapporteurs / Rapporteuses : Nicolas Chopin, Arnaud Doucet |
Résumé
FR |
EN
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.