Asymptotic Variance and Convergence Rates of Nearly-Periodic Markov Chain Monte Carlo Algorithms
近周期马尔可夫链蒙特卡洛算法的渐近方差与收敛速度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：摘要研究通用 MCMC 算法的收敛理论，未指定所列计量领域中的模型或应用。
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
近周期马尔可夫链蒙特卡洛算法的渐近方差与收敛速度
- 研究问题
- 为何近周期马尔可夫链可能具有良好的函数估计表现，却在分布意义下收敛缓慢，能否通过简单修改改善这种收敛？
- 方法与思路
- 作者采用随机迭代次数修改马尔可夫链，证明修改后链的收敛速度结果，并分析跨维度、洗牌和对偶 Metropolis 示例。
- 材料陈述的贡献
- 摘要称随机化迭代次数可显著改善近周期链的分布收敛，并给出相关理论结果，展示函数估计与分布收敛的区别。
- 阅读关注点
- 应核对近周期性的定义、随机迭代次数的分布及实现方式，以及分布收敛改善对渐近方差和计算成本的影响。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未提供收敛界或方差变化，不能据此认定修改后所有估计任务的效率均提高。
原文摘要
This article considers nearly-periodic Markov chains that may have excellent functional estimation properties but poor distributional convergence rate. It shows how simple modifications of the chain (involving using a random number of iterations) can greatly improve the distributional convergence of the chain. Various theoretical results about convergence rates of the modified chains are proven. A number of examples, including a transdimensional Markov chain Monte Carlo example, a card-shuffling example, and several antithetic Metropolis algorithms, are considered.