TuringLang/AdvancedHMC.jl

解决的问题

AdvancedHMC.jl 提供了一种稳健且高效的方法，用于从复杂概率分布中进行马尔可夫链蒙特卡洛（MCMC）采样。它特别实现了先进的哈密顿蒙特卡洛（HMC）算法，这些算法在高维空间中比简单的随机游走梅特罗波利斯-黑斯廷斯算法更高效。

工作原理

该库通过实现哈密顿动力学来模拟轨迹，使采样器能够更有效地在目标分布上移动。它被设计为概率编程语言（如 Turing.jl）的模块化后端，但也可以独立使用。它与 LogDensityProblems.jl 集成以定义目标分布，并通过 LogDensityProblemsAD.jl 实现自动微分（AD）来计算 HMC 所需的梯度。

适用人群

需要高性能 MCMC 采样进行贝叶斯推断的研究人员和数据科学家，特别是使用 Julia 语言和概率编程生态系统的用户。

主要亮点

• 前沿的 HMC 变体：包含无须折返采样器（NUTS）的实现。
• 模块化设计：允许用户自定义度量、自适应机制和哈密顿轨迹模拟。
• 广泛集成：与 Julia MCMC 生态系统无缝集成，包括 AbstractMCMC.jl 以及通过 LogDensityProblemsAD.jl 支持的各种 AD 后端。