Information bounds for Gibbs samplers
Gibbs 采样器的信息界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：摘要研究蒙特卡洛计算的通用效率界，未涉及所列经济或金融细分领域的专门模型。
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…
Gibbs 采样器的信息界
- 研究问题
- 利用 Gibbs 采样输出估计函数期望时，确定性扫描与随机扫描的经验均值方差和可达效率界如何比较？
- 方法与思路
- 作者分别计算两种扫描下经验均值的渐近方差，并求出不利用目标分布额外信息的估计量的最小渐近方差。
- 材料陈述的贡献
- 摘要称确定性扫描的经验均值方差较小；随机扫描的方差下界一般较小，但连续目标分布下两者下界相等。
- 阅读关注点
- 应核对扫描和计算成本的比较单位、允许使用的信息，以及弱依赖下近似效率和随机扫描方差约翻倍的条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；经验估计方差与效率下界是不同对象，不能据此认定一种扫描普遍最优。
原文摘要
If we wish to estimate efficiently the expectation of an arbitrary function on the basis of the output of a Gibbs sampler, which is better: deterministic or random sweep? In each case we calculate the asymptotic variance of the empirical estimator, the average of the function over the output, and determine the minimal asymptotic variance for estimators that use no information about the underlying distribution. The empirical estimator has noticeably smaller variance for deterministic sweep. The variance bound for random sweep is in general smaller than for deterministic sweep, but the two are equal if the target distribution is continuous. If the components of the target distribution are not strongly dependent, the empirical estimator is close to efficient under deterministic sweep, and its asymptotic variance approximately doubles under random sweep.