Scalable couplings for the random walk Metropolis algorithm
随机游走 Metropolis 算法的可扩展耦合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 耦合与高维计算理论，未明确对应所列计量领域细分。
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
随机游走 Metropolis 算法的可扩展耦合
- 研究问题
- 如何设计随目标分布维数增加仍能有效收缩的随机游走 Metropolis 耦合，以支持收敛量化与无偏估计？
- 方法与思路
- 作者对同步耦合进行低秩修正，分析高维渐近收缩性质，并针对反射耦合的缺陷提出修改，与最优尺度理论联系起来。
- 材料陈述的贡献
- 摘要称低秩修正在标准高维渐近情形下达到最优收缩，另提出缓解反射耦合问题的方案，并用数值实验展示适用性。
- 阅读关注点
- 应核对目标分布与高维渐近框架、收缩最优性的度量，检查耦合实现、相遇行为及计算成本如何影响实际用途。
- 阅读边界
- 仅据所给 Crossref 摘要，不能将渐近最优收缩等同于所有目标分布上的最佳表现；摘要未说明完整条件和数值结果。
原文摘要
Abstract There has been a recent surge of interest in coupling methods for Markov chain Monte Carlo algorithms: they facilitate convergence quantification and unbiased estimation, while exploiting embarrassingly parallel computing capabilities. Motivated by these, we consider the design and analysis of couplings of the random walk Metropolis algorithm which scale well with the dimension of the target measure. Methodologically, we introduce a low-rank modification of the synchronous coupling that is provably optimally contractive in standard high-dimensional asymptotic regimes. We expose a shortcoming of the reflection coupling, the state of the art at the time of writing, and we propose a modification which mitigates the issue. Our analysis bridges the gap to the optimal scaling literature and builds a framework of asymptotic optimality which may be of independent interest. We illustrate the applicability of our proposed couplings, and the potential for extending our ideas, with various numerical experiments.