<div dir="ltr"><br><div class="gmail_quote gmail_quote_container"><div class="gmail_attr">Prezados colegas, </div><div dir="ltr"><div><div><br></div><div><font face="arial, sans-serif">A nossa próxima palestra ocorrerá na quarta-feira, </font>15 de OUTUBRO<font face="arial, sans-serif">, no horário das 15h30 às 17h00, Local: Laboratório de Sistemas Estocásticos (LSE), Sala I-044-B, Centro de Tecnologia - UFRJ.</font></div><div><br></div><div><div><p class="MsoNormal" style="margin:0in 0in 8pt;line-height:15.6933px"><font face="arial, sans-serif"><b>Palestrante: </b></font>Flávio Bambirra (UFMG)</p><p class="MsoNormal" style="margin:0in 0in 8pt;line-height:15.6933px"><font face="arial, sans-serif"><span lang="EN-US"><b>Título</b>:</span></font>Scalable Bernoulli Factory MCMC for Intractable Marginalised Posteriors</p><div><font face="arial, sans-serif"><span lang="EN-US"><b>Resumo</b>:<b> </b></span></font>Bernoulli factory MCMC algorithms implement accept-reject Markov chains without explicit computation of acceptance probabilities, and are used to target posterior distributions associated with intractable likelihood models. Intractable likelihoods naturally arise in continuous-time models and mixture distributions, or from the marginalisation of a tractable augmented model. Bernoulli factory MCMC algorithms often mix better than alternatives that target a tractable augmented posterior. However, for a likelihood that factorizes over observations, we show that their computational performance typically deteriorates exponentially with data size. To address this, we propose a simple divide-and-conquer Bernoulli factory MCMC algorithm and prove that it has polynomial complexity of degree between 1 and 2, with the exact degree depending on the existence of efficient unbiased estimators of the intractable likelihood ratio. We demonstrate the effectiveness of our approach with applications to Bayesian inference in two intractable likelihood models, and observe respective polynomial cost of degree 1.2 and 1 in the data size.</div></div></div></div><div><br></div><div><div><div><font face="arial, sans-serif">Mais informações: <a href="https://ppge.im.ufrj.br/ciclo-de-palestras-segundo-semestre-de-2025/" target="_blank">https://ppge.im.ufrj.br/ciclo-de-palestras-segundo-semestre-de-2025/</a></font></div></div><div><div><font face="arial, sans-serif"><br>Organizadores: Maria Eulalia Vares e Widemberg S Nobre</font></div><div><font face="arial, sans-serif"><br></font></div><div><font face="arial, sans-serif">Atenciosamente,</font></div></div></div><div><br></div></div></div><br><div dir="ltr" class="gmail_signature" data-smartmail="gmail_signature"><div dir="ltr">Maria Eulalia Vares<div>Professora Titular - Instituto de Matemática - UFRJ</div><div>Coordenadora do Programa de Pós-Graduação em Estatística</div><div><a href="https://ppge.im.ufrj.br/" target="_blank">https://ppge.im.ufrj.br/</a></div><div><br></div></div></div></div>