The Multiple-Try Method and Local Optimization in Metropolis Sampling
Metropolis 抽样中的多重尝试方法与局部优化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 MCMC 转移与计算效率，未明确涉及所列经济或金融计量细分。
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
Metropolis 抽样中的多重尝试方法与局部优化
- 研究问题
- 连续状态空间的 MCMC 如何通过多重候选和局部优化改善抽样，并实现其他抽样算法的部分效果？
- 方法与思路
- 作者提出 multiple-try Metropolis 转移规则，结合自适应方向抽样嵌入局部优化，并讨论针对其他抽样方式的调整。
- 材料陈述的贡献
- 摘要称，数值研究中该方法优于传统 M-H 抽样器，适当调整还可实现类似 griddy Gibbs 和 hit-and-run 的效果。
- 阅读关注点
- 应核对候选生成、接受概率及目标分布保持条件，并检查局部优化成本、自适应步骤和比较所用效率指标。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；数值优势限于所报告研究，摘要未给出收敛条件或普遍效率保证。
原文摘要
This article describes a new Metropolis-like transition rule, the multiple-try Metropolis, for Markov chain Monte Carlo (MCMC) simulations. By using this transition rule together with adaptive direction sampling, we propose a novel method for incorporating local optimization steps into a MCMC sampler in continuous state-space. Numerical studies show that the new method performs significantly better than the traditional Metropolis-Hastings (M-H) sampler. With minor tailoring in using the rule, the multiple-try method can also be exploited to achieve the effect of a griddy Gibbs sampler without having to bear with griddy approximations, and the effect of a hit-and-run algorithm without having to figure out the required conditional distribution in a random direction.