The Barker Proposal: Combining Robustness and Efficiency in Gradient-Based MCMC
Barker 提议：结合梯度 MCMC 的稳健性与效率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 采样算法及其调参性质，未指定经济结构估计或其他所列应用，不能仅因使用模拟而归类。
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
Barker 提议：结合梯度 MCMC 的稳健性与效率
- 研究问题
- 梯度型 MCMC 如何兼顾采样效率与对步长调节的稳健性，尤其在步长选择失当或目标分布存在异质性时？
- 方法与思路
- 作者通过谱隙行为刻画步长失配的影响，受 Barker 接受拒绝规则启发构造梯度算法，并分析遍历性和维数缩放。
- 材料陈述的贡献
- 摘要称理论结果支持新算法兼顾调参稳健性与梯度方法效率，并在部分自适应 MCMC 数值例子中优于所比较方法。
- 阅读关注点
- 应核对稳健性的具体定义、谱隙与几何遍历性的成立条件，以及数值比较中的调参规则、目标分布和计算成本。
- 阅读边界
- 所给 Crossref 摘要未列出定理条件或性能数值；例子中的优势不能推广为所有目标分布和调参方案下的普遍优势。
原文摘要
Abstract There is a tension between robustness and efficiency when designing Markov chain Monte Carlo (MCMC) sampling algorithms. Here we focus on robustness with respect to tuning parameters, showing that more sophisticated algorithms tend to be more sensitive to the choice of step-size parameter and less robust to heterogeneity of the distribution of interest. We characterise this phenomenon by studying the behaviour of spectral gaps as an increasingly poor step-size is chosen for the algorithm. Motivated by these considerations, we propose a novel and simple gradient-based MCMC algorithm, inspired by the classical Barker accept-reject rule, with improved robustness properties. Extensive theoretical results, dealing with robustness to tuning, geometric ergodicity and scaling with dimension, suggest that the novel scheme combines the robustness of simple schemes with the efficiency of gradient-based ones. We show numerically that this type of robustness is particularly beneficial in the context of adaptive MCMC, giving examples where our proposed scheme significantly outperforms state-of-the-art alternatives.