Reversible jump Markov chain Monte Carlo computation and Bayesian model determination
可逆跳跃马尔可夫链蒙特卡洛计算与贝叶斯模型判定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：摘要核心是通用贝叶斯计算，变点示例未明确属于时间序列或宏观结构变化研究。
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
可逆跳跃马尔可夫链蒙特卡洛计算与贝叶斯模型判定
- 研究问题
- 当不同候选模型的参数维数不一致时，如何构造能够跨维度移动的可逆马尔可夫链，实现贝叶斯模型计算？
- 方法与思路
- 作者提出在不同维度参数子空间之间跳跃的可逆采样框架，并用一维、二维多变点分析及二项实验比较示范。
- 材料陈述的贡献
- 摘要称提供灵活且可构造的跨维度采样框架，使传统固定维数MCMC难以处理的贝叶斯模型判定能够开展。
- 阅读关注点
- 应核对跨维度转移的构造与可逆性条件、目标分布的保持方式，以及示例中的提议设计和计算表现。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要未提供转移公式、收敛条件或混合效率，不能推断任意模型下的计算优势。
原文摘要
Markov chain Monte Carlo methods for Bayesian computation have until recently been restricted to problems where the joint distribution of all variables has a density with respect to some fixed standard underlying measure. They have therefore not been available for application to Bayesian model determination, where the dimensionality of the parameter vector is typically not fixed. This paper proposes a new framework for the construction of reversible Markov chain samplers that jump between parameter subspaces of differing dimensionality, which is flexible and entirely constructive. It should therefore have wide applicability in model determination problems. The methodology is illustrated with applications to multiple change-point analysis in one and two dimensions, and to a Bayesian comparison of binomial experiments.