Amostragem de Importância Duplamente Adaptativa

Propondo um esquema de amostragem de importância adaptativa para aproximações gaussianas de pós-distribuições intratáveis. Aproximações baseadas em otimização, como inferência variacional, podem ser muito imprecisas, enquanto os métodos de Monte Carlo existentes podem ser muito lentos. Portanto, propomos um híbrido onde, a cada iteração, o tamanho da amostra efetiva de Monte Carlo pode ser garantido a um custo computacional fixo, interpolando entre inferência variacional de gradiente natural e amostragem de importância. A quantidade de amortecimento nas atualizações se adapta à posterior e garante o tamanho da amostra efetiva. A gaussianidade permite o uso do lema de Stein para obter otimização baseada em gradiente no regime de inferência variacional altamente amortecida e redução do erro de Monte Carlo para amostragem de importância adaptativa não amortecida. O resultado é um método genérico de aproximação posterior adaptativo, embaraçosamente paralelo. Estudos numéricos em dados simulados e reais mostram sua competitividade com outros métodos menos gerais.