The Hamming Ball Sampler
汉明球采样器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：摘要提出通用离散状态空间采样算法，未指定与所列计量细分方向直接相关的模型或应用。
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
汉明球采样器
- 研究问题
- 在高维离散状态空间中，如何设计可遍历模型空间的采样方法，并允许使用者权衡统计效率与计算可行性？
- 方法与思路
- 作者提出辅助变量式 MCMC 算法，通过自适应截断局部模型空间开展迭代探索，并推广离散空间中的常规 Gibbs 采样。
- 材料陈述的贡献
- 摘要称，汉明球采样器提供可由使用者控制的效率与计算成本权衡，并通过多种统计模型的应用展示其通用性。
- 阅读关注点
- 应核对辅助变量与截断范围的构造、目标分布不变性及遍历条件，并比较不同设置下的混合表现与单位计算成本。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；收敛条件、调参规则与性能结果未说明，不能断言优于所有 Gibbs 方案。
原文摘要
We introduce the Hamming ball sampler, a novel Markov chain Monte Carlo algorithm, for efficient inference in statistical models involving high-dimensional discrete state spaces. The sampling scheme uses an auxiliary variable construction that adaptively truncates the model space allowing iterative exploration of the full model space. The approach generalizes conventional Gibbs sampling schemes for discrete spaces and provides an intuitive means for user-controlled balance between statistical efficiency and computational tractability. We illustrate the generic utility of our sampling algorithm through application to a range of statistical models. Supplementary materials for this article are available online.