Perfect Samplers for Mixtures of Distributions
混合分布的完美采样器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：摘要研究通用贝叶斯混合模型采样，缺少所列经济计量细分方向的直接证据。
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…
混合分布的完美采样器
- 研究问题
- 如何对指数族混合模型与共轭先验形成的后验分布构造完美采样器，并改善初始切片采样方案的近似和规模限制？
- 方法与思路
- 作者采用类似 Rao–Blackwell 化的边缘化思路，先研究潜变量离散分布的连续嵌入，再构造基于单条向后链的替代采样器。
- 材料陈述的贡献
- 摘要称初始连续嵌入近似可能很差，而替代完美采样器能够处理比最初切片方案更大的样本量，并展示相关对偶原理。
- 阅读关注点
- 应核对完美采样的精确含义、向后链的终止及计算条件，区分近似嵌入与目标后验，并检查可处理样本规模的比较依据。
- 阅读边界
- 摘要未提供算法细节、计算复杂度或适用混合模型范围；不能把特定替代方案的规模优势推广为所有采样任务中的优势。
原文摘要
Summary We consider the construction of perfect samplers for posterior distributions associated with mixtures of exponential families and conjugate priors, starting with a perfect slice sampler in the spirit of Mira and co-workers. The methods rely on a marginalization akin to Rao–Blackwellization and illustrate the duality principle of Diebolt and Robert. A first approximation embeds the finite support distribution on the latent variables within a continuous support distribution that is easier to simulate by slice sampling, but we later demonstrate that the approximation can be very poor. We conclude by showing that an alternative perfect sampler based on a single backward chain can be constructed. This alternative can handle much larger sample sizes than the slice sampler first proposed.