Improving SAMC using smoothing methods: Theory and applications to Bayesian model selection problems
利用平滑方法改进 SAMC：理论与贝叶斯模型选择应用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：主体是通用蒙特卡洛与模型选择方法，变点例子未说明时间序列或宏观结构变化背景。
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
利用平滑方法改进 SAMC：理论与贝叶斯模型选择应用
- 研究问题
- 研究如何用平滑方法改善随机逼近蒙特卡洛算法的收敛与模拟效率，并将改进算法用于贝叶斯模型选择。
- 方法与思路
- 作者在随机逼近 MCMC 中引入平滑，允许每轮生成多个样本及更新中的偏差项，并以变点识别例子检验算法。
- 材料陈述的贡献
- 摘要称在可核验条件下证明一般算法收敛，且所给模型选择实验优于两种对照算法；不能据此断言普遍优势。
- 阅读关注点
- 阅读全文时应核对平滑与偏差项的构造、收敛条件，以及变点实验中的计算预算、比较指标和对照调参方式。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，无法判断收敛条件及优势幅度；实验结论不自动外推，也不能推断刊本变化。
原文摘要
Stochastic approximation Monte Carlo (SAMC) has recently been proposed by Liang, Liu and Carroll [J. Amer. Statist. Assoc. 102 (2007) 305–320] as a general simulation and optimization algorithm. In this paper, we propose to improve its convergence using smoothing methods and discuss the application of the new algorithm to Bayesian model selection problems. The new algorithm is tested through a change-point identification example. The numerical results indicate that the new algorithm can outperform SAMC and reversible jump MCMC significantly for the model selection problems. The new algorithm represents a general form of the stochastic approximation Markov chain Monte Carlo algorithm. It allows multiple samples to be generated at each iteration, and a bias term to be included in the parameter updating step. A rigorous proof for the convergence of the general algorithm is established under verifiable conditions. This paper also provides a framework on how to improve efficiency of Monte Carlo simulations by incorporating some nonparametric techniques.