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：摘要研究通用 MCMC 算法，马尔可夫链计算本身不足以归入宏观时间序列或结构估计。
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 运行中不断调整转移核以适应目标分布的新特征时，如何避免破坏目标平稳分布，并保持样本路径均值的一致性？
- 方法与思路
- 作者利用马尔可夫链再生概念构造自适应框架，使算法能够无限次调整转移核，同时处理自适应与平稳分布之间的关系。
- 材料陈述的贡献
- 摘要称，该框架允许无限次自适应，而不扰动目标平稳分布或样本路径均值的一致性，为运行中的核调整提供理论依据。
- 阅读关注点
- 应核对再生时刻的构造、可允许的转移核调整、目标分布保持机制，以及一致性所需条件与实际计算成本。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；具体再生条件、混合速度和计算收益未提供，保持一致性不能直接证明效率提高。
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.