Stereographic Markov chain Monte Carlo
基于球极投影的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：摘要研究通用 MCMC 计算方法，重尾分布的出现不足以支持金融尾部风险分类。
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…
基于球极投影的马尔可夫链蒙特卡洛
- 研究问题
- 如何改善高维尤其重尾目标分布下 MCMC 的黏滞与混合困难，并通过改变状态空间获得更强的遍历性保证？
- 方法与思路
- 作者将欧氏空间中的目标问题映射到球面，构造随机游走 Metropolis 型算法及弹跳粒子采样器版本，研究理论和经验收敛。
- 材料陈述的贡献
- 摘要称所提采样器对一大类轻尾和重尾分布具有一致遍历性，并在高维中经验收敛较快，最佳情形下维数升高可加快收敛。
- 阅读关注点
- 应核对投影后的目标测度、算法参数及一致遍历性条件，并检查维数增加时收敛加快所要求的情形与计算成本指标。
- 阅读边界
- 仅据版本未注明的索引摘要；分布类、参数选择和比较数值未说明，不能把最佳情形下的维数优势推广到所有目标分布。
原文摘要
High-dimensional distributions, especially those with heavy tails, are notoriously difficult for off-the-shelf MCMC samplers: the combination of unbounded state spaces, diminishing gradient information, and local moves results in empirically observed “stickiness” and poor theoretical mixing properties—lack of geometric ergodicity. In this paper, we introduce a new class of MCMC samplers that map the original high-dimensional problem in Euclidean space onto a sphere and remedy these notorious mixing problems. In particular, we develop random-walk Metropolis type algorithms as well as versions of the Bouncy Particle Sampler that are uniformly ergodic for a large class of light and heavy-tailed distributions and also empirically exhibit rapid convergence in high dimensions. In the best scenario, the proposed samplers can enjoy the “blessings of dimensionality” that the convergence is faster in higher dimensions.