Waste-Free Sequential Monte Carlo
无浪费序贯蒙特卡洛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：摘要研究通用蒙特卡洛算法，稀有事件例子不足以认定其属于金融尾部风险领域。
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
无浪费序贯蒙特卡洛
- 研究问题
- 序贯蒙特卡洛采样中，如何利用通常被丢弃的 MCMC 中间状态，并据此指导算法实施和评估估计不确定性？
- 方法与思路
- 作者将全部中间 MCMC 输出作为粒子，分析一致性、渐近正态性及渐近方差，并提出单次运行的方差估计方法。
- 材料陈述的贡献
- 摘要称数值例子中该方法往往优于标准采样器，尤其在迭代中 MCMC 混合能力下降时，并建立相应渐近理论。
- 阅读关注点
- 应核对相关粒子的处理、渐近框架、单次运行方差估计的条件，以及与标准采样器比较时计算预算是否一致。
- 阅读边界
- 仅依据所给 Crossref 摘要；数值优势来自所述例子，具体条件和幅度未说明，不能断言所有问题中均更高效。
原文摘要
Abstract A standard way to move particles in a sequential Monte Carlo (SMC) sampler is to apply several steps of a Markov chain Monte Carlo (MCMC) kernel. Unfortunately, it is not clear how many steps need to be performed for optimal performance. In addition, the output of the intermediate steps are discarded and thus wasted somehow. We propose a new, waste-free SMC algorithm which uses the outputs of all these intermediate MCMC steps as particles. We establish that its output is consistent and asymptotically normal. We use the expression of the asymptotic variance to develop various insights on how to implement the algorithm in practice. We develop in particular a method to estimate, from a single run of the algorithm, the asymptotic variance of any particle estimate. We show empirically, through a range of numerical examples, that waste-free SMC tends to outperform standard SMC samplers, and especially so in situations where the mixing of the considered MCMC kernels decreases across iterations (as in tempering or rare event problems).