On the Use of Local Optimizations within Metropolis–Hastings Updates
在 Metropolis–Hastings 更新中使用局部优化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：摘要研究通用多峰分布的马尔可夫链抽样算法，未明确应用于所列经济计量细分方向。
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…
关注这篇论文的作者
在 Metropolis–Hastings 更新中使用局部优化
- 研究问题
- 对多峰分布进行抽样时，如何在 Metropolis–Hastings 更新中结合局部优化、跨模态跳跃与先验近似提议？
- 方法与思路
- 作者允许前向与反向核的分布依赖当前状态，组合跳模态和先验近似提议，并利用局部优化结果改善先验近似。
- 材料陈述的贡献
- 摘要称不同提议核的使用频率会按其质量自动调整，所得自适应算法仍有马尔可夫结构，并用两个模拟例子评估效果。
- 阅读关注点
- 应核对状态依赖核的接受概率、局部优化结果如何进入提议，以及目标分布保持、收敛条件和模拟比较的依据。
- 阅读边界
- 仅据所给 Crossref 摘要；正确性与收敛条件、提议质量定义及模拟数值未说明，不能据两个例子判断普遍抽样优势。
原文摘要
Summary We propose new Metropolis–Hastings algorithms for sampling from multimodal dis- tributions on ℜn. Tjelmeland and Hegstad have obtained direct mode jumping proposals by optimization within Metropolis–Hastings updates and different proposals for ‘forward’ and ‘backward’ steps. We generalize their scheme by allowing the probability distribution for forward and backward kernels to depend on the current state. We use the new setting to combine mode jumping proposals and proposals from a prior approximation. We obtain that the frequency of proposals from the different proposal kernels is automatically adjusted to their quality. Mode jumping proposals include local optimizations. When combining this with a prior approximation it is tempting to use local optimization results not only for mode jumping proposals but also to improve the prior approximation. We show how this idea can be implemented. The resulting algorithm is adaptive but has a Markov structure. We evaluate the effectiveness of the proposed algorithms in two simulation examples.