Unbiased Markov Chain Monte Carlo Methods with Couplings
利用耦合构造无偏马尔可夫链蒙特卡洛方法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：摘要讨论通用蒙特卡洛计算方法，示例不足以支持所列经济计量细分分类。
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…
利用耦合构造无偏马尔可夫链蒙特卡洛方法
- 研究问题
- 常规 MCMC 在有限迭代后通常存在偏差，如何通过链的耦合构造无偏积分估计，并评估额外计算的效率？
- 方法与思路
- 作者将马尔可夫链耦合与望远镜求和论证结合，构造可独立并行计算的无偏估计，并讨论常用算法的耦合实现。
- 材料陈述的贡献
- 摘要称，作者建立估计量的理论有效性，比较其与原有 MCMC 算法的效率，并展示多个模型中的表现与限制。
- 阅读关注点
- 核对无偏性所需条件、链相遇时间、估计方差及计算成本，查看不同耦合实现如何影响相对效率。
- 阅读边界
- 仅据 Crossref 所给摘要；摘要未列出理论条件及效率数值，无偏性本身不足以保证低方差或更低计算成本。
原文摘要
Summary Markov chain Monte Carlo (MCMC) methods provide consistent approximations of integrals as the number of iterations goes to ∞. MCMC estimators are generally biased after any fixed number of iterations. We propose to remove this bias by using couplings of Markov chains together with a telescopic sum argument of Glynn and Rhee. The resulting unbiased estimators can be computed independently in parallel. We discuss practical couplings for popular MCMC algorithms. We establish the theoretical validity of the estimators proposed and study their efficiency relative to the underlying MCMC algorithms. Finally, we illustrate the performance and limitations of the method on toy examples, on an Ising model around its critical temperature, on a high dimensional variable-selection problem, and on an approximation of the cut distribution arising in Bayesian inference for models made of multiple modules.