Convergence Rates of the Gibbs Sampler, the Metropolis Algorithm and Other Single-Site Updating Dynamics
Gibbs 采样、Metropolis 算法及其他单点更新动力学的收敛速率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与 Ising 模型，未明确涉及所列经济或金融方向。
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…
Gibbs 采样、Metropolis 算法及其他单点更新动力学的收敛速率
- 研究问题
- 对同一马尔可夫随机场保持可逆性的局部更新算法，其弱收敛速度如何比较，且比较结果如何随 Ising 模型温度改变？
- 方法与思路
- 作者以绝对值第二大的特征值衡量收敛速度，先研究局部更新动力学的一般代数结构，再详细分析随机 Ising 模型。
- 材料陈述的贡献
- 摘要称 Gibbs 比局部执行两次 Metropolis 更新更快，并报告温度相关的算法比较及高温下快于 Gibbs 的动力学。
- 阅读关注点
- 应核对特征值比较的适用条件、更新次数如何统一计算，以及 Ising 模型中高低温定义和各算法比较的范围。
- 阅读边界
- 仅据所给 Crossref 摘要；温度阈值、状态空间及计算成本未说明，摘要中的速度排序不能推广为普遍运行效率结论。
原文摘要
SUMMARY Sampling from a Markov random field II can be performed efficiently via Monta Carlo methods by simulating a Markov chain that converges weakly to II. We consider a class of local updating dynamics that are reversible with respect to II. It includes the Metropolis algorithm (MA) and the Gibbs sampler (GS). We investigate the speed of weak convergence of these Markov chains in terms of their second-largest eigenvalues in absolute value. We study the general algebraic structure and then the stochastic Ising model in detail. We conclude the following: the GS is faster than locally updating twice by the MA; in the Ising case, the MA is the best at low temperature but the worst at high temperature; there are dynamics faster than the GS at high temperature. The results clear up some intuitive misconceptions.