Speeding Up MCMC by Efficient Data Subsampling
通过高效数据子抽样加速 MCMCAI 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：摘要讨论通用贝叶斯计算与子抽样 MCMC，未提供所列计量领域的直接应用依据。
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…
通过高效数据子抽样加速 MCMC
- 研究问题
- 大样本贝叶斯计算中，如何只使用随机抽取的少量观测来估计似然，并控制子抽样造成的后验近似误差与计算成本？
- 方法与思路
- 作者利用控制变量构造无偏对数似然估计，对似然估计作偏差修正，并在两种具有依赖结构的伪边际算法中使用。
- 材料陈述的贡献
- 摘要称推导了扰动后验误差随总样本量和子样本量变化的渐近结果，提出误差估计，并在应用中展示计算效率改善。
- 阅读关注点
- 核对控制变量构造、偏差修正与依赖机制，区分对数似然无偏性和后验精确性，并检查误差估计及计算预算比较。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；目标是扰动后验，摘要中的小误差及效率优势限于所述应用，不能推断刊本变化。
原文摘要
We propose subsampling Markov chain Monte Carlo (MCMC), an MCMC framework where the likelihood function for n observations is estimated from a random subset of m observations. We introduce a highly efficient unbiased estimator of the log-likelihood based on control variates, such that the computing cost is much smaller than that of the full log-likelihood in standard MCMC. The likelihood estimate is bias-corrected and used in two dependent pseudo-marginal algorithms to sample from a perturbed posterior, for which we derive the asymptotic error with respect to n and m, respectively. We propose a practical estimator of the error and show that the error is negligible even for a very small m in our applications. We demonstrate that subsampling MCMC is substantially more efficient than standard MCMC in terms of sampling efficiency for a given computational budget, and that it outperforms other subsampling methods for MCMC proposed in the literature. Supplementary materials for this article are available online.