Geometric Ergodicity of Trans-Dimensional Markov Chain Monte Carlo Algorithms
跨维度马尔可夫链蒙特卡洛算法的几何遍历性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 MCMC 收敛理论，probit 和自回归仅为算法实例，不足以支持相应领域分类。
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
跨维度马尔可夫链蒙特卡洛算法的几何遍历性
- 研究问题
- 当候选模型总数有限时，模型内部 MCMC 链的几何遍历性在什么条件下能够保证跨维度链也具有几何收敛？
- 方法与思路
- 作者在 L² 框架内采用马尔可夫链分解技术，将原用于可逆链的分析扩展到部分非可逆跨维度链，并研究可逆跳跃算法。
- 材料陈述的贡献
- 摘要称在温和条件下得到由模型内几何遍历性推出整体几何收敛的结果，并对三个贝叶斯模型的算法给出应用。
- 阅读关注点
- 应核对模型之间转移所需条件、有限模型数的作用、覆盖哪些非可逆链，以及 L² 结论与其他收敛概念的关系。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要；所谓温和条件未具体列出，也未提供收敛常数或实际混合速度的保证。
原文摘要
This article studies the convergence properties of trans-dimensional MCMC algorithms when the total number of models is finite. It is shown that, for reversible and some non-reversible trans-dimensional Markov chains, under mild conditions, geometric convergence is guaranteed if the Markov chains associated with the within-model moves are geometrically ergodic. This result is proved in an L2 framework using the technique of Markov chain decomposition. While the technique was previously developed for reversible chains, this work extends it to the point that it can be applied to some commonly used non-reversible chains. The theory herein is applied to reversible jump algorithms for three Bayesian models: a probit regression with variable selection, a Gaussian mixture model with unknown number of components, and an autoregression with Laplace errors and unknown model order.