Stochastic Gradient Markov Chain Monte Carlo
随机梯度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：摘要研究一般贝叶斯计算算法，未指定所给经济计量方向中的特定推断或应用问题。
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
随机梯度马尔可夫链蒙特卡洛
- 研究问题
- 大数据下 MCMC 每次迭代处理全量数据的成本过高时，随机梯度与数据子抽样能否提供计算更可行的贝叶斯推断？
- 方法与思路
- 作者综述利用数据子抽样降低单次迭代成本的 SGMCMC，介绍常用算法及支持理论，并在基准例子中与标准 MCMC 比较。
- 材料陈述的贡献
- 摘要称，文章系统介绍可扩展随机梯度蒙特卡洛算法、整理相关理论并比较效率，同时提供支持分析的在线 R 代码。
- 阅读关注点
- 应核对各算法的步长与收敛条件、子抽样误差、后验近似偏差，以及效率比较是否同时考虑计算时间与推断精度。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；这是综述性介绍，摘要未给出具体效率结果或统一精确性保证，不能推断刊本变化。
原文摘要
Markov chain Monte Carlo (MCMC) algorithms are generally regarded as the gold standard technique for Bayesian inference. They are theoretically well-understood and conceptually simple to apply in practice. The drawback of MCMC is that performing exact inference generally requires all of the data to be processed at each iteration of the algorithm. For large datasets, the computational cost of MCMC can be prohibitive, which has led to recent developments in scalable Monte Carlo algorithms that have a significantly lower computational cost than standard MCMC. In this article, we focus on a particular class of scalable Monte Carlo algorithms, stochastic gradient Markov chain Monte Carlo (SGMCMC) which utilizes data subsampling techniques to reduce the per-iteration cost of MCMC. We provide an introduction to some popular SGMCMC algorithms and review the supporting theoretical results, as well as comparing the efficiency of SGMCMC algorithms against MCMC on benchmark examples. The supporting R code is available online athttps://github.com/chris-nemeth/sgmcmc-review-paper.