Population-Based Reversible Jump Markov Chain Monte Carlo
基于种群的可逆跳跃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：摘要研究通用贝叶斯计算算法，变量选择与混合模型示例未限定所列计量细分。
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
基于种群的可逆跳跃马尔可夫链蒙特卡洛
- 研究问题
- 针对高维及跨维目标分布，如何减少 MCMC 对目标支持遍历不足的问题，并改善跨模型抽样的收敛表现？
- 方法与思路
- 作者将种群 MCMC 扩展到跨维情形，研究其一致遍历性，并在贝叶斯变量选择和成分数未知的多元混合模型中进行比较。
- 材料陈述的贡献
- 摘要称，在所述温和条件下可证明一致遍历性，并在一个变量选择问题中比较收敛率；基因表达示例也报告了比较优势。
- 阅读关注点
- 应核对种群转移核、跨维步骤与一致遍历性的假设，并区分理论收敛率比较和混合模型应用中的实际计算表现。
- 阅读边界
- 依据版本未注明的索引摘要；所谓温和假设和比较指标未详述，单个变量选择问题及应用结果不足以支持普遍优势。
原文摘要
In this paper we present an extension of population-based Markov chain Monte Carlo (MCMC) to the trans-dimensional case. One of the main challenges in MCMC-based inference is that of simulating from high and trans-dimensional target measures. In such cases, MCMC methods may not adequately traverse the support of the target; the simulation results will be unreliable. We develop population methods to deal with such problems, and give a result proving the uniform ergodicity of these population algorithms, under mild assumptions. This result is used to demonstrate the superiority, in terms of convergence rate, of a population transition kernel over a reversible jump sampler for a Bayesian variable selection problem. We also give an example of a population algorithm for a Bayesian multivariate mixture model with an unknown number of components. This is applied to gene expression data of 1000 data points in six dimensions and it is demonstrated that our algorithm out performs some competing Markov chain samplers.