Manifold lifting: scaling Markov chain Monte Carlo to the vanishing noise regime
流形提升：将 MCMC 扩展到观测噪声趋零的情形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：摘要研究通用贝叶斯采样计算，未涉及所列经济结构估计或其他专门应用。
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…
流形提升：将 MCMC 扩展到观测噪声趋零的情形
- 研究问题
- 当高信噪比与过度参数化或不可识别性使后验集中在低维子流形附近时，如何避免常规 MCMC 的探索效率恶化？
- 方法与思路
- 作者将采样问题提升到更高维空间中的流形支撑分布，使其在观测噪声趋零时保持分散，并使用约束哈密顿蒙特卡洛探索。
- 材料陈述的贡献
- 摘要称，数值实验中该方法的采样效率未随目标分布向低维子流形集中而退化，并说明提供了复现实验的 Python 代码。
- 阅读关注点
- 应核对提升分布与原后验的对应关系、流形约束的计算方式，以及效率指标、近似误差和比较方法的调参安排。
- 阅读边界
- 仅依据所给 Crossref 摘要；效率不退化是所述数值实验结果，摘要未给出普遍保证，代码的可用性与复现结果也未经核验。
原文摘要
Abstract Standard Markov chain Monte Carlo methods struggle to explore distributions that concentrate in the neighbourhood of low-dimensional submanifolds. This pathology naturally occurs in Bayesian inference settings when there is a high signal-to-noise ratio in the observational data but the model is inherently over-parametrised or nonidentifiable. In this paper, we propose a strategy that transforms the original sampling problem into the task of exploring a distribution supported on a manifold embedded in a higher-dimensional space; in contrast to the original posterior this lifted distribution remains diffuse in the limit of vanishing observation noise. We employ a constrained Hamiltonian Monte Carlo method, which exploits the geometry of this lifted distribution, to perform efficient approximate inference. We demonstrate in numerical experiments that, contrarily to competing approaches, the sampling efficiency of our proposed methodology does not degenerate as the target distribution to be explored concentrates near low-dimensional submanifolds. Python code reproducing the results is available at https://doi.org/10.5281/zenodo.6551654.