Striated Metropolis–Hastings sampler for high-dimensional models
面向高维模型的分层 Metropolis–Hastings 采样器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：摘要聚焦通用贝叶斯后验采样，未明确对应所列微观、宏观或金融细分领域。
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
面向高维模型的分层 Metropolis–Hastings 采样器
- 研究问题
- 如何为高维贝叶斯模型模拟后验分布，尤其在分布具有弯曲脊线和多个峰值时，兼顾采样效率与准确性？
- 方法与思路
- 作者提出动态分层 Metropolis–Hastings 采样器，在 MH 框架中结合等能量采样与序贯蒙特卡洛的思路。
- 材料陈述的贡献
- 摘要称该采样器能够处理高度不规则的后验分布，且对阶段间采样推进方式具有稳健性，并提供高维应用。
- 阅读关注点
- 应核对分层与阶段更新机制、目标分布保持条件，以及高维应用如何评估混合速度、计算成本和采样误差。
- 阅读边界
- 仅据所给出版社摘要，无法判断算法成立的具体条件、收敛保证及比较优势的范围，也不推断其他版本变化。
原文摘要
Having efficient and accurate samplers for simulating the posterior distribution is crucial for Bayesian analysis. We develop a generic posterior simulator called the “dynamic striated Metropolis–Hastings (DSMH)” sampler. Grounded in the Metropolis–Hastings algorithm, it pools the strengths from the equi-energy and sequential Monte Carlo samplers while avoiding the weaknesses of the standard Metropolis–Hastings algorithm and those of importance sampling. In particular, the DSMH sampler possesses the capacity to cope with extremely irregular distributions that contain winding ridges and multiple peaks; and it is robust to how the sampling procedure progresses across stages. The high-dimensional application studied in this paper provides a natural platform for testing any generic sampler.