On geometric convergence for the Metropolis-adjusted Langevin algorithm under simple conditions
简单条件下 Metropolis 调整 Langevin 算法的几何收敛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：摘要研究通用马尔可夫链蒙特卡洛算法收敛，未提供所列具体计量领域的依据。
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
简单条件下 Metropolis 调整 Langevin 算法的几何收敛
- 研究问题
- 能否仅通过目标分布势函数的尾部与光滑性条件，保证 Metropolis 调整 Langevin 算法的几何收敛，并刻画步长的影响？
- 方法与思路
- 作者研究目标势函数的尾部和光滑性，建立 V 一致几何收敛结果，并重点分析收敛界对 Euler–Maruyama 离散步长的依赖。
- 材料陈述的贡献
- 摘要称在温和且常见的势函数条件下获得 V 一致几何收敛保证，并明确关注步长如何影响所推导的界。
- 阅读关注点
- 应核对尾部增长与光滑性条件、权函数 V 的选择、允许的步长范围，以及收敛界对步长和其他参数的具体依赖。
- 阅读边界
- 所给 Crossref 摘要未提供条件表达式或收敛常数；几何收敛保证不能直接转化为任意目标分布上的实际混合速度优势。
原文摘要
Summary While the Metropolis-adjusted Langevin algorithm is a popular and widely used Markov chain Monte Carlo method, very few papers derive conditions that ensure its convergence. In particular, to the authors’ knowledge, assumptions that are both easy to verify and guarantee geometric convergence, are still missing. In this work, we establish V-uniformly geometric convergence for the Metropolis-adjusted Langevin algorithm under mild assumptions about the target distribution. Unlike previous work, we only consider tail and smoothness conditions for the potential associated with the target distribution. These conditions are quite common in the Markov chain Monte Carlo literature. Finally, we pay special attention to the dependence of the bounds we derive on the step size of the Euler–Maruyama discretization, which corresponds to the proposed Markov kernel of the Metropolis-adjusted Langevin algorithm.