Variance Reduction for Metropolis-Hastings Samplers
Metropolis-Hastings 采样器的方差缩减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：核心是通用蒙特卡洛计算方法，随机波动率仅为应用示例，细分领域证据不足。
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…
Metropolis-Hastings 采样器的方差缩减
- 研究问题
- 如何利用 Metropolis 算法生成的全部提议值，在较少额外计算下降低蒙特卡洛估计方差，并评估目标分布偏离高斯时的效果？
- 方法与思路
- 作者以高斯近似求解目标链的泊松方程来构造控制变量，再用第二个控制变量降低其中难算期望的估计方差，作为采样后的处理。
- 材料陈述的贡献
- 摘要称该框架适用于随机游走 Metropolis 和 MALA，并在模拟、贝叶斯逻辑回归及随机波动率应用中展示方差缩减和较低额外成本。
- 阅读关注点
- 应核对泊松方程近似、两个控制变量的构造及其估计方式，以及方差缩减与计算成本的度量，重点检查非高斯目标下的表现。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或接收未核实；摘要未说明理论保证及具体收益，不能将示例效果推广到所有目标分布。
原文摘要
We introduce a general framework that constructs estimators with reduced variance for random walk Metropolis and Metropolis-adjusted Langevin algorithms. The resulting estimators require negligible computational cost and are derived in a post-process manner utilising all proposal values of the Metropolis algorithms. Variance reduction is achieved by producing control variates through the approximate solution of the Poisson equation associated with the target density of the Markov chain. The proposed method is based on approximating the target density with a Gaussian and then utilising accurate solutions of the Poisson equation for the Gaussian case. This leads to an estimator that uses two key elements: (i) a control variate from the Poisson equation that contains an intractable expectation under the proposal distribution, (ii) a second control variate to reduce the variance of a Monte Carlo estimate of this latter intractable expectation. Simulated data examples are used to illustrate the impressive variance reduction achieved in the Gaussian target case and the corresponding effect when target Gaussianity assumption is violated. Real data examples on Bayesian logistic regression and stochastic volatility models verify that considerable variance reduction is achieved with negligible extra computational cost.