Particle Markov Chain Monte Carlo Methods
粒子 Markov 链 Monte Carlo 方法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：摘要明确演示非线性状态空间模型与随机波动率模型，分别对应时间序列建模和波动率计量。
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…
粒子 Markov 链 Monte Carlo 方法
- 研究问题
- 当高维分布中的变量高度相关或提议分布选择不佳时，如何改善 MCMC 的探索能力并扩展可行的贝叶斯推断范围？
- 方法与思路
- 作者利用序贯 Monte Carlo 构造高维提议分布并结合 MCMC，在非线性状态空间模型与 Lévy 驱动的随机波动率模型中演示。
- 材料陈述的贡献
- 摘要称，该方法能改进标准 MCMC 方案，并使此前难以处理的一大类统计模型的贝叶斯推断成为可行。
- 阅读关注点
- 应核对粒子方法嵌入 MCMC 的具体机制、目标分布与收敛条件，以及粒子数量、计算成本和混合表现之间的关系。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断具体算法的效率范围或数值优势；摘要所称推断可行性与改进不代表对所有模型均有保证。
原文摘要
Summary Markov chain Monte Carlo and sequential Monte Carlo methods have emerged as the two main tools to sample from high dimensional probability distributions. Although asymptotic convergence of Markov chain Monte Carlo algorithms is ensured under weak assumptions, the performance of these algorithms is unreliable when the proposal distributions that are used to explore the space are poorly chosen and/or if highly correlated variables are updated independently. We show here how it is possible to build efficient high dimensional proposal distributions by using sequential Monte Carlo methods. This allows us not only to improve over standard Markov chain Monte Carlo schemes but also to make Bayesian inference feasible for a large class of statistical models where this was not previously so. We demonstrate these algorithms on a non-linear state space model and a Lévy-driven stochastic volatility model.