Parallel Sampling of Decomposable Graphs Using Markov Chains on Junction Trees
利用连接树上的马尔可夫链并行采样可分解图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：摘要讨论通用概率图模型的结构采样，未明确涉及经济网络或所列其他细分方向。
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…
关注这篇论文的作者
利用连接树上的马尔可夫链并行采样可分解图
- 研究问题
- 在可分解无向图的贝叶斯结构推断中，如何高效探索图空间，并通过多边并行更新改善高维问题中的采样混合与计算效率？
- 方法与思路
- 作者给出多边扰动保持可分解性的充要条件，构造用于分类扰动的划分，并在连接树表示上设计并行非可逆 MCMC 采样器。
- 材料陈述的贡献
- 摘要称，新条件支持同一划分内边扰动的同步执行，模拟显示混合、准确性与计算效率改善，并提供 parallelDG 实现。
- 阅读关注点
- 应核对扰动划分的构造、连接树与图分布之间的对应关系、采样器目标分布的保持，以及并行成本和混合诊断。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；完整条件与采样保证未展开，模拟表现不能保证任意图结构下均有优势。
原文摘要
Bayesian inference for undirected graphical models is mostly restricted to the class of decomposable graphs, as they enjoy a rich set of properties making them amenable to high-dimensional problems. While parameter inference is straightforward in this setup, inferring the underlying graph is a challenge driven by the computational difficulty in exploring the space of decomposable graphs. This work makes two contributions to address this problem. First, we provide sufficient and necessary conditions for when multi-edge perturbations maintain decomposability of the graph. Using these, we characterize a simple class of partitions that efficiently classify all edge perturbations by whether they maintain decomposability. Second, we propose a novel parallel non-reversible Markov chain Monte Carlo sampler for distributions over junction tree representations of the graph. At every step, the parallel sampler executes simultaneously all edge perturbations within a partition. Through simulations, we demonstrate the efficiency of our new edge perturbation conditions and class of partitions. We find that our parallel sampler yields improved mixing properties in comparison to the single-move variate, and outperforms current state-of-the-art methods in terms of accuracy and computational efficiency. The implementation of our work is available in the Python package parallelDG.