Optimal Thinning of MCMC Output
MCMC 输出的最优抽稀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 MCMC 样本压缩与分布近似，没有明确的所列经济计量细分应用。
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
MCMC 输出的最优抽稀
- 研究问题
- 如何从已有 MCMC 样本路径中回溯选取固定数量的状态，使保留样本的经验分布更好地近似目标分布并压缩输出？
- 方法与思路
- 作者提出贪心最小化核 Stein 差异的状态选择方法，适用于可计算目标对数密度梯度且需要少量状态近似的场景。
- 材料陈述的贡献
- 摘要称，方法具有一致性理论保证，并在常微分方程参数推断中展示效果；同时提供 Python、R 和 MATLAB 软件包。
- 阅读关注点
- 应核对核函数、目标梯度和链路径的条件，一致性所需的样本数量增长方式，以及固定预算下近似质量和计算成本。
- 阅读边界
- 所给 Crossref 摘要未说明一致性条件与误差界；贪心选择不能据此视为有限样本全局最优，软件可用性也未独立核验。
原文摘要
Abstract The use of heuristics to assess the convergence and compress the output of Markov chain Monte Carlo can be sub-optimal in terms of the empirical approximations that are produced. Typically a number of the initial states are attributed to ‘burn in’ and removed, while the remainder of the chain is ‘thinned’ if compression is also required. In this paper, we consider the problem of retrospectively selecting a subset of states, of fixed cardinality, from the sample path such that the approximation provided by their empirical distribution is close to optimal. A novel method is proposed, based on greedy minimisation of a kernel Stein discrepancy, that is suitable when the gradient of the log-target can be evaluated and approximation using a small number of states is required. Theoretical results guarantee consistency of the method and its effectiveness is demonstrated in the challenging context of parameter inference for ordinary differential equations. Software is available in the Stein Thinning package in Python, R and MATLAB.