Auxiliary Variable Methods for Markov Chain Monte Carlo with Applications
马尔可夫链蒙特卡洛的辅助变量方法及应用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：摘要研究通用 MCMC 算法与医学图像应用，未明确关联给定的经济计量细分方向。
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
马尔可夫链蒙特卡洛的辅助变量方法及应用
- 研究问题
- 如何通过引入辅助变量并在扩展空间采样，提高 MCMC 的探索效率，使贝叶斯图像分析中的后验计算更可行？
- 方法与思路
- 作者回顾 Swendsen–Wang 及其推广，提出部分解耦方法，并针对二元图像分类和 PET 重建设计辅助变量采样。
- 材料陈述的贡献
- 摘要称，部分解耦在所述分类应用中优于两种对照方法；PET 的推广算法缩短计算时间，使后验探索具有可行性。
- 阅读关注点
- 应核对辅助变量如何保持目标边际分布、部分解耦的更新机制，以及效率比较采用的混合指标和计算时间标准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；未给出具体效率数值或一般优势条件，图像案例表现不能推广到任意 MCMC 任务。
原文摘要
Suppose that one wishes to sample from the density π(x) using Markov chain Monte Carlo (MCMC). An auxiliary variable u and its conditional distribution π(u|x) can be defined, giving the joint distribution π(x, u) = π(x)π(u|x). A MCMC scheme that samples over this joint distribution can lead to substantial gains in efficiency compared to standard approaches. The revolutionary algorithm of Swendsen and Wang is one such example. Besides reviewing the Swendsen-Wang algorithm and its generalizations, this article introduces a new auxiliary variable method called partial decoupling. Two applications in Bayesian image analysis are considered: a binary classification problem in which partial decoupling out performs Swendsen-Wang and single-site Metropolis methods, and a positron emission tomography (PET) reconstruction that uses the gray level prior of Geman and McClure. A generalized Swendsen–Wang algorithm is developed for this problem, which reduces the computing time to the point where MCMC is a viable method of posterior exploration.