Convergence of adaptive and interacting Markov chain Monte Carlo algorithms
自适应与交互式马尔可夫链蒙特卡洛算法的收敛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：摘要提供通用 MCMC 收敛理论，未明确限定于所列经济计量细分领域。
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
自适应与交互式马尔可夫链蒙特卡洛算法的收敛
- 研究问题
- 如何为自适应与交互式 MCMC 建立统一收敛理论？文章还关注使用平稳分布不同于目标分布的转移核进行抽样的情形。
- 方法与思路
- 作者以自适应 Metropolis 和交互式温度算法为动机，构建用于证明边际分布收敛及强大数定律的方法与理论框架。
- 材料陈述的贡献
- 摘要称，该框架弱化了一项既有研究的条件，并覆盖转移核平稳分布与目标分布不同的情况，同时建立两类收敛结果。
- 阅读关注点
- 应核对被弱化的具体条件、自适应与链间交互的限制，以及平稳分布不匹配时仍能逼近目标分布所需的机制。
- 阅读边界
- OpenAlex 索引摘要未注明稿件版本；摘要未列明收敛条件或速度，不能据此认为任意自适应算法有效或效率已获验证。
原文摘要
Adaptive and interacting Markov chain Monte Carlo algorithms (MCMC) have been recently introduced in the literature. These novel simulation algorithms are designed to increase the simulation efficiency to sample complex distributions. Motivated by some recently introduced algorithms (such as the adaptive Metropolis algorithm and the interacting tempering algorithm), we develop a general methodological and theoretical framework to establish both the convergence of the marginal distribution and a strong law of large numbers. This framework weakens the conditions introduced in the pioneering paper by Roberts and Rosenthal [J. Appl. Probab. 44 (2007) 458–475]. It also covers the case when the target distribution π is sampled by using Markov transition kernels with a stationary distribution that differs from π.