Gaussian Invariant Markov Chain Monte Carlo
高斯不变马尔可夫链蒙特卡洛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：摘要核心是通用蒙特卡洛采样和方差缩减，没有所列经济学领域细分的直接证据。
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…
高斯不变马尔可夫链蒙特卡洛
- 研究问题
- 如何利用高斯不变的采样结构改进马尔可夫链蒙特卡洛估计，并为难处理的目标分布构造可用的方差缩减控制变量？
- 方法与思路
- 作者构造随机游走Metropolis、MALA及二阶MALA的高斯不变版本，利用高斯目标下Poisson方程的解析解设计控制变量。
- 材料陈述的贡献
- 摘要称该结构可提高遍历估计量的统计效率，并提供几何遍历性和最优尺度分析，展示最优接受率对目标高斯程度的依赖。
- 阅读关注点
- 应核对高斯不变性的定义、控制变量在非高斯目标下如何实现，以及几何遍历性、最优尺度和比较实验各自依赖的条件。
- 阅读边界
- 仅据所给OpenAlex摘要版本，不能推断后续刊本变化。摘要未说明理论条件与计算代价，示例中的领先表现不能推广到所有目标分布。
原文摘要
We develop sampling methods, which consist of Gaussian invariant versions of random walk Metropolis (RWM), Metropolis adjusted Langevin algorithm (MALA) and second order Hessian or Manifold MALA. Unlike standard RWM and MALA, we show that Gaussian invariant sampling can lead to ergodic estimators with improved statistical efficiency. This is due to a remarkable property of Gaussian invariance that allows us to obtain exact analytical solutions to the Poisson equation for Gaussian targets. These solutions can be used to construct efficient and easy to use control variates for variance reduction of estimators under any intractable target. We demonstrate the new samplers and estimators in several examples, including high dimensional targets in latent Gaussian models where we compare against several advanced methods and obtain state-of-the-art results. We also provide theoretical results regarding geometric ergodicity, and an optimal scaling analysis that shows the dependence of the optimal acceptance rate on the Gaussianity of the target.