Blocking strategies and stability of particle Gibbs samplers
粒子Gibbs采样器的分块策略与稳定性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：摘要研究隐马尔可夫模型中长观测序列的潜在状态后验采样，直接关联时间序列潜在状态模型的计算方法。
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
粒子Gibbs采样器的分块策略与稳定性
- 研究问题
- 对长观测序列的隐马尔可夫模型，如何从潜在状态后验中采样，同时避免维持混合速度所需的计算成本过快增长？
- 方法与思路
- 作者采用分块策略设计粒子Gibbs采样器，以分块更新潜在状态，寻求稳定混合速度并降低每次迭代的计算成本。
- 材料陈述的贡献
- 摘要称所构造采样器能够在保持混合速度稳定的同时，使每次迭代成本随潜在状态数线性增长，并便于并行实现。
- 阅读关注点
- 应核对分块长度和重叠安排、粒子数量的配置、稳定混合结论的假设，以及线性成本和并行实现的计算口径。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明。摘要未列明分块与模型条件，不能推断任意隐马尔可夫模型均具有稳定混合速度。
原文摘要
Sampling from the posterior probability distribution of the latent states of a hidden Markov model is nontrivial even in the context of Markov chain Monte Carlo. To address this, Andrieu et al. (2010) proposed a way of using a particle filter to construct a Markov kernel that leaves the posterior distribution invariant. Recent theoretical results have established the uniform ergodicity of this Markov kernel and shown that the mixing rate does not deteriorate provided the number of particles grows at least linearly with the number of latent states. However, this gives rise to a cost per application of the kernel that is quadratic in the number of latent states, which can be prohibitive for long observation sequences. Using blocking strategies, we devise samplers that have a stable mixing rate for a cost per iteration that is linear in the number of latent states and which are easily parallelizable.