Adaptive Markov Chain Monte Carlo through Regeneration
通过再生实现自适应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：摘要提供通用 MCMC 计算框架，没有指定经济模型或所列细分领域的应用，故不作领域归类。
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…
通过再生实现自适应马尔可夫链蒙特卡洛
- 研究问题
- MCMC 运行中根据新发现的目标分布特征调整转移核，如何允许这种调整无限次发生，同时保持目标分布与样本均值的一致性。
- 方法与思路
- 作者基于马尔可夫链再生构建自适应框架，利用再生结构组织转移核调整，以处理持续适应可能扰动平稳分布的问题。
- 材料陈述的贡献
- 摘要称，该框架允许无限次适应，同时不扰动链的平稳分布或样本路径平均的一致性；具体效率收益未在摘要中报告。
- 阅读关注点
- 应核对再生事件的构造与可识别性、允许调整的规则，以及保持目标分布和平均值一致性的完整条件与证明。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；再生条件、实现成本和混合速度改善未说明，不能推断其他版本变化。
原文摘要
Markov chain Monte Carlo (MCMC) is used for evaluating expectations of functions of interest under a target distribution π. This is done by calculating averages over the sample path of a Markov chain having π as its stationary distribution. For computational efficiency, the Markov chain should be rapidly mixing. This sometimes can be achieved only by careful design of the transition kernel of the chain, on the basis of a detailed preliminary exploratory analysis of π. An alternative approach might be to allow the transition kernel to adapt whenever new features of π are encountered during the MCMC run. However, if such adaptation occurs infinitely often, then the stationary distribution of the chain may be disturbed. We describe a framework, based on the concept of Markov chain regeneration, which allows adaptation to occur infinitely often but does not disturb the stationary distribution of the chain or the consistency of sample path averages.