Metropolis–Hastings with Scalable Subsampling
采用可扩展子采样的 Metropolis–Hastings 算法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用贝叶斯计算算法，广义线性模型应用不足以确定所列计量细分方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
采用可扩展子采样的 Metropolis–Hastings 算法
- 研究问题
- 在大数据贝叶斯推断中，如何减少 Metropolis–Hastings 每次迭代的全数据似然计算，同时保持目标后验的精确性？
- 方法与思路
- 作者提出子采样 MH 算法，使用控制变量降低计算需求，并使转移机制相对于目标后验满足细致平衡，以维持精确推断。
- 材料陈述的贡献
- 摘要称，理论、模拟及部分广义线性模型应用显示，该算法比标准 MH 和其他精确子采样 MH 使用更小子样本且计算更高效。
- 阅读关注点
- 应核对细致平衡的证明、控制变量构造成本和子样本选择机制，并比较总运行时间、链的混合表现及有效样本量。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；精确性所需条件与效率数值未提供，保持目标后验并不直接保证有限迭代已充分收敛。
原文摘要
The Metropolis–Hastings (MH) algorithm is one of the most widely used Markov Chain Monte Carlo schemes for generating samples from Bayesian posterior distributions. The algorithm is asymptotically exact, flexible and easy to implement. However, in the context of Bayesian inference for large datasets, evaluating the likelihood on the full data for thousands of iterations until convergence can be prohibitively expensive. This paper introduces a new subsample MH algorithm that satisfies detailed balance with respect to the target posterior and utilises control variates to enable exact, efficient Bayesian inference on datasets with large numbers of observations. Through theoretical results, simulation experiments and real-world applications on certain generalised linear models, we demonstrate that our method requires substantially smaller subsamples and is computationally more efficient than the standard MH algorithm and other exact subsample MH algorithms.