Trajectory averaging for stochastic approximation MCMC algorithms
随机逼近MCMC算法的轨迹平均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：摘要讨论通用随机计算与优化算法，未明确所列计量领域的专门问题。
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
随机逼近MCMC算法的轨迹平均
- 研究问题
- 随机逼近与MCMC结合时，对迭代轨迹取平均能否获得渐近有效的估计，并适用于模拟、优化及缺失数据估计？
- 方法与思路
- 作者研究随机逼近MCMC的轨迹平均估计量，将理论结果应用于随机逼近Monte Carlo，并讨论缺失数据极大似然算法。
- 材料陈述的贡献
- 摘要称，在温和条件下轨迹平均估计量对SAMCMC具有渐近有效性，且相关结果可用于文中讨论的若干具体算法。
- 阅读关注点
- 应核对轨迹平均的起始与权重规则、步长及马尔可夫链条件，并查看渐近有效性的比较基准和各应用的条件验证。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要，温和条件与效率界的具体内容未说明，不能据此断言有限迭代下必然更准确或更快。
原文摘要
The subject of stochastic approximation was founded by Robbins and Monro [Ann. Math. Statist. 22 (1951) 400–407]. After five decades of continual development, it has developed into an important area in systems control and optimization, and it has also served as a prototype for the development of adaptive algorithms for on-line estimation and control of stochastic systems. Recently, it has been used in statistics with Markov chain Monte Carlo for solving maximum likelihood estimation problems and for general simulation and optimizations. In this paper, we first show that the trajectory averaging estimator is asymptotically efficient for the stochastic approximation MCMC (SAMCMC) algorithm under mild conditions, and then apply this result to the stochastic approximation Monte Carlo algorithm [Liang, Liu and Carroll J. Amer. Statist. Assoc. 102 (2007) 305–320]. The application of the trajectory averaging estimator to other stochastic approximation MCMC algorithms, for example, a stochastic approximation MLE algorithm for missing data problems, is also considered in the paper.