Fast and Efficient Parallel Sampling Using Higher Order Langevin Dynamics
基于高阶朗之万动力学的高效并行采样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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要讨论的是高维对数凹分布的并行采样算法与复杂度，属于计算统计与采样理论，未涉及所给微观、宏观或金融计量细分领域的文本依据。
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…
基于高阶朗之万动力学的高效并行采样
- 研究问题
- 如何在高维强对数凹分布下进行并行采样，在保持对数多项式级串行深度的同时降低并行处理器数量与内存、梯度计算开销。
- 方法与思路
- 作者提出将任意阶朗之万动力学与分块拉格朗日多项式插值相结合，用更精确的离散化减少达到目标精度所需的并行时间点数量。
- 材料陈述的贡献
- 摘要称该方法在保持对数多项式串行深度的同时减轻并行资源负担，覆盖高阶光滑势与岭可分势（如贝叶斯逻辑回归、两层神经网络），并改进了现有并行对数凹采样文献的空间复杂度。
- 阅读关注点
- 应核对高阶朗之万结构的具体形式、分块拉格朗日插值的构造与稳定性条件、所需处理器数与空间复杂度的精确阶数，以及岭可分势假设下结论的适用范围。
- 阅读边界
- 仅凭摘要无法判断定理的完整假设、常数与维度依赖细节、实验或数值验证情况；该文为 arXiv 预印本，未经同行评审，不能据此声称已被期刊接收。
原文摘要
We study parallel sampling from high-dimensional strongly log-concave distributions. Langevin-based samplers converge rapidly in continuous time, but their discretizations are typically sequential and often require polynomially many steps in the dimension $d$, the target accuracy $\varepsilon^{-1}$, or both. Picard-based parallel sampling methods reduce this sequential depth to polylogarithmic scale by solving for many time-discretization points in parallel; however, existing guarantees often require a polynomial number of processors, leading to substantial memory and gradient-evaluation costs in high dimensions. We show that higher-order Langevin structure can reduce this parallel resource burden while preserving polylogarithmic sequential depth. Our method combines arbitrary-order Langevin dynamics with blockwise Lagrange polynomial interpolation. This sharper discretization reduces the number of parallel points required to achieve a target accuracy. Our results cover both higher-order smooth potentials and ridge-separable potentials, including models such as Bayesian logistic regression and two-layer neural networks, and improve upon the space complexity of the current literature on parallel log-concave sampling.