跳到正文

论文检索

全库检索
收录说明
收录范围
保留计量方法研究、相关统计基础，以及实质涉及计量方法的应用、教程、比较和综述。书评、刊务及明确无关内容不公开；身份或相关性证据不足的记录保留待核，补充可靠材料后可重新判断。
当前期刊来源见下方官网链接及期刊目录。综合经济学与金融期刊逐篇筛查计量方向，证据不足时暂不公开。正刊、在线优先论文和已核实接收稿合并展示；按标题、可靠摘要、目录及身份匹配的出版社 JEL 分类核验相关性；计量类 JEL 与摘要相互印证，无 JEL 不直接排除。历史回补以可取得的注册题录和目录为准，不等于覆盖全部纸本。
日期与排序
默认按最近发表排序：正刊使用刊期，待刊使用上线日期；缺少上线日期时，排序参考登记或首次收录时间，并在卡片注明。更多筛选可选择出版状态和日期口径；卷期依据出版社元数据，不因待刊时间较长而推定已编入正刊。仅有月份或年份时，日期区间相交也会纳入。

日期精度：到日 1 篇 · 到月 0 篇 · 到年 0 篇

分类与引用
领域和方法依据题名、摘要初步分类，可人工修正；分类不代表论文质量。引用数采用 OpenAlex 单条关联记录，不合计版本。
更新与 AI 解读
正常题录、可靠摘要与引用同步继续；日、周、月简报按核实的发表与修订日期汇总，历史补录保留在文献库。AI 解读依据可靠摘要或已核实原文片段，已有解读保留供阅读参考；缺少可靠材料的条目保持待解读，浏览页面不会触发生成。

最近同步 10/16 02:41

1 篇论文
导出
BibTeX ↓RIS ↓RSS 订阅 ↗

The Zig-Zag process and super-efficient sampling for Bayesian analysis of big data

Joris Bierkens · Paul Fearnhead · Gareth Roberts刊期 2019-06-01 · 卷 47（3）The Annals of Statistics已编入正刊

Zig-Zag 过程与大数据贝叶斯分析的超高效抽样AI 解读

Standard MCMC methods can scale poorly to big data settings due to the need to evaluate the likelihood at each iteration. There have been a number of approximate MCMC algorithms that use sub-sampling ideas to reduce this computational burden, but with the drawback that these algorithms no longer target the true posterior distribution. We introduce a new family of Monte Carlo methods based upon a multidimensional version of the Zig-Zag process of [Ann. Appl. Probab. 27 (2017)…

贝叶斯Bootstrap 与重抽样
被引 139 次 ↗OpenAlex · 核验
AI 解读阅读原文 ↗BibTeX ↓