On the fundamental limitations of multi-proposal Markov chain Monte Carlo algorithms
多候选马尔可夫链蒙特卡洛算法的基本局限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：摘要研究通用蒙特卡洛计算的收敛限制，未直接对应所列计量应用细分。
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…
多候选马尔可夫链蒙特卡洛算法的基本局限
- 研究问题
- 每次迭代生成多个候选点的马尔可夫链蒙特卡洛算法，相对对应的单候选算法能够获得多大收敛加速和计算收益？
- 方法与思路
- 作者利用先生成多个候选点、再选择其中一个的两步核结构推导加速上界，并对对数凹目标分布进一步分析。
- 材料陈述的贡献
- 摘要称一般目标下加速不超过候选数，对数凹目标下至多按候选数的对数增长，并用模拟支持串行及并行收益的局限。
- 阅读关注点
- 应核对收敛速度的度量、对应单候选核的定义、对数凹情形的附加条件，以及理论界如何转换为实际计算成本。
- 阅读边界
- 仅据所给Crossref摘要，不能判断具体实现的运行时间或硬件收益；应查明理论比较条件后再评价特定算法。
原文摘要
Summary We study multi-proposal Markov chain Monte Carlo algorithms, such as multiple-try or generalized Metropolis–Hastings schemes, which have recently received renewed attention due to their amenability to parallel computing. First, we prove that no multi-proposal scheme can speed up convergence relative to the corresponding single-proposal scheme by more than a factor of $ K $, where $ K $ denotes the number of proposals at each iteration. This result applies to arbitrary target distributions and it implies that common serial multi-proposal implementations are less efficient than single-proposal ones. Second, we consider log-concave distributions over Euclidean spaces, proving that, in this case, the speed-up is at most logarithmic in $ K $, which implies that even parallel multi-proposal implementations are fundamentally limited in the computational gain they can offer. Crucially, our results apply to arbitrary multi-proposal schemes and purely rely on the two-step structure of the associated kernels: first generate $ K $ candidate points, then select one among those. Our theoretical findings are validated through numerical simulations.