Sequentially interacting Markov chain Monte Carlo methods
序贯交互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：摘要明确将方法应用于贝叶斯时间序列分析，但未说明专门针对某类宏观模型。
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…
序贯交互马尔可夫链蒙特卡洛方法
- 研究问题
- 对于维度逐步增加的目标分布序列，如何构造可像 MCMC 一样迭代改进估计的采样方法，作为 SMC 的替代方案？
- 方法与思路
- 作者提出 SIMCMC，生成相互作用的非马尔可夫序列，使其渐近表现类似具有所需极限分布的独立 MH 链。
- 材料陈述的贡献
- 摘要称该方法允许迭代改善估计，在可验证假设下建立收敛结果，并用贝叶斯时间序列分析中的若干例子展示表现。
- 阅读关注点
- 应核对交互机制、收敛假设与误差性质，以及相同计算预算下和 SMC 比较时迭代改进的实际收益。
- 阅读边界
- 所给材料为版本未注明的 OpenAlex 索引摘要；收敛条件和性能数值未说明，不能将可迭代改进理解为全面优于 SMC。
原文摘要
Sequential Monte Carlo (SMC) is a methodology for sampling approximately from a sequence of probability distributions of increasing dimension and estimating their normalizing constants. We propose here an alternative methodology named Sequentially Interacting Markov Chain Monte Carlo (SIMCMC). SIMCMC methods work by generating interacting non-Markovian sequences which behave asymptotically like independent Metropolis–Hastings (MH) Markov chains with the desired limiting distributions. Contrary to SMC, SIMCMC allows us to iteratively improve our estimates in an MCMC-like fashion. We establish convergence results under realistic verifiable assumptions and demonstrate its performance on several examples arising in Bayesian time series analysis.