Sequential Monte Carlo Samplers
序贯蒙特卡洛采样器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：摘要提供通用贝叶斯计算方法，序贯采样本身不足以归入时间序列或某一经济计量应用方向。
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…
序贯蒙特卡洛采样器
- 研究问题
- 如何对共同空间上、仅知未归一化形式的一系列概率分布依次采样，并用于贝叶斯计算、全局优化和归一化常数比估计？
- 方法与思路
- 作者用带权随机样本群近似各个目标分布，通过序贯蒙特卡洛方法传播样本，并构造使并行MCMC链相互作用的算法。
- 材料陈述的贡献
- 摘要提出一套序贯采样方法，可形成全局优化、序贯贝叶斯估计及归一化常数比计算算法，并用贝叶斯积分任务展示用途。
- 阅读关注点
- 应核对目标分布序列的构造、权重更新与样本传播方式，以及链间相互作用如何实现，并查看误差控制和计算成本。
- 阅读边界
- 仅依据所给Crossref摘要；摘要未说明算法稳定性条件、误差界或比较结果，不能推断适用于任意分布及其他版本的变化。
原文摘要
Summary We propose a methodology to sample sequentially from a sequence of probability distributions that are defined on a common space, each distribution being known up to a normalizing constant. These probability distributions are approximated by a cloud of weighted random samples which are propagated over time by using sequential Monte Carlo methods. This methodology allows us to derive simple algorithms to make parallel Markov chain Monte Carlo algorithms interact to perform global optimization and sequential Bayesian estimation and to compute ratios of normalizing constants. We illustrate these algorithms for various integration tasks arising in the context of Bayesian inference.