Generalised Gibbs sampler and multigrid Monte Carlo for Bayesian computation
用于贝叶斯计算的广义 Gibbs 抽样与多重网格蒙特卡洛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：文章核心是通用贝叶斯抽样框架，所列应用不足以将其归入特定经济计量方向。
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
用于贝叶斯计算的广义 Gibbs 抽样与多重网格蒙特卡洛
- 研究问题
- 当常规 MCMC 在一些应用中表现不佳时，如何通过样本空间中的变换构造更高效、适用范围更广的抽样器？
- 方法与思路
- 作者沿变换群在样本空间中形成的轨迹进行条件移动，构造广义 Gibbs 抽样器，并研究其与多重网格方法的联系。
- 材料陈述的贡献
- 摘要称，该框架涵盖参数扩展和重新参数化等技巧，并在非线性状态空间、序数数据及离散观测随机微分方程中展示应用。
- 阅读关注点
- 应核对变换群与条件移动的构造、不变分布和收敛条件，以及各实例中效率改善如何衡量、计算成本如何比较。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体抽样算法和效率证据未给出，不能推断其对任意模型均有效。
原文摘要
Although Monte Carlo methods have frequently been applied with success, indiscriminate use of Markov chain Monte Carlo leads to unsatisfactory performances in numerous applications. We present a generalised version of the Gibbs sampler that is based on conditional moves along the traces of groups of transformations in the sample space. We explore its connection with the multigrid Monte Carlo method and its use in designing more efficient samplers. The generalised Gibbs sampler provides a framework encompassing a class of recently proposed tricks such as parameter expansion and reparameterisation. To illustrate, we apply this new method to Bayesian inference problems for nonlinear state-space models, ordinal data and stochastic differential equations with discrete observations.