Efficient Bernoulli factory Markov chain Monte Carlo for intractable posteriors
难处理后验的高效伯努利工厂马尔可夫链蒙特卡洛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：摘要研究通用后验采样算法，扩散模型和约束空间未被明确关联到宏观或金融问题，因此领域证据不足。
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…
难处理后验的高效伯努利工厂马尔可夫链蒙特卡洛
- 研究问题
- 当贝叶斯后验的函数形式难以处理、传统密度比接受概率不便使用时，如何构造可模拟的接受机制并提高精确采样的计算效率？
- 方法与思路
- 作者提出不依赖两点目标密度比的接受概率族，设计两种稳定的伯努利工厂，利用目标密度局部上下界构造 portkey Barker 算法。
- 材料陈述的贡献
- 摘要称，所得算法具有精确性，并在能够获得合理局部密度界的场景中提高计算效率；给出的应用包括扩散模型与约束空间采样。
- 阅读关注点
- 应核对接受机制如何保证目标分布不变、伯努利工厂的终止与成本条件，以及局部密度界的获得方式和比较算法的设定。
- 阅读边界
- 仅据所给 Crossref 摘要，无法核验精确性的完整条件及效率优势幅度；其计算效率明确依赖可获得的合理局部密度界。
原文摘要
Summary Accept-reject-based Markov chain Monte Carlo algorithms have traditionally utilized acceptance probabilities that can be explicitly written as a function of the ratio of the target density at the two contested points. This feature is rendered almost useless in Bayesian posteriors with unknown functional forms. We introduce a new family of Markov chain Monte Carlo acceptance probabilities that has the distinguishing feature of not being a function of the ratio of the target density at the two points. We present two stable Bernoulli factories that generate events within this class of acceptance probabilities. The efficiency of our methods relies on obtaining reasonable local upper or lower bounds on the target density, and we present two classes of problems where such bounds are viable: Bayesian inference for diffusions, and Markov chain Monte Carlo on constrained spaces. The resulting portkey Barker’s algorithms are exact and computationally more efficient that the current state of the art.