Finite-sample complexity of sequential Monte Carlo estimators
序贯蒙特卡洛估计量的有限样本复杂度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：摘要研究通用蒙特卡洛算法复杂度，逻辑回归仅为目标分布示例，不足以归为离散选择。
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…
序贯蒙特卡洛估计量的有限样本复杂度
- 研究问题
- 静态空间上的序贯蒙特卡洛误差如何取决于分布序列和马尔可夫核的混合性质，其计算复杂度如何与其他采样方案比较？
- 方法与思路
- 作者建立有限样本误差界，将算法表现与所选分布序列及马尔可夫核混合性质联系起来，并分析多类目标分布的复杂度。
- 材料陈述的贡献
- 摘要称给出首次有限样本方案比较，覆盖有限空间、乘积测度及含贝叶斯逻辑回归的对数凹分布，界与相应 MCMC 界相差至多对数因子。
- 阅读关注点
- 阅读全文时应核对误差准则、计算成本定义、分布路径与混合条件，以及与 MCMC 比较时是否采用相同目标和精度要求。
- 阅读边界
- 仅据所给 OpenAlex 索引摘要，稿件版本未注明；“首次”为作者的贡献声明，复杂度界也不能直接说明实际运行更快。
原文摘要
We present bounds for the finite-sample error of sequential Monte Carlo samplers on static spaces. Our approach explicitly relates the performance of the algorithm to properties of the chosen sequence of distributions and mixing properties of the associated Markov kernels. This allows us to give the first finite-sample comparison to other Monte Carlo schemes. We obtain bounds for the complexity of sequential Monte Carlo approximations for a variety of target distributions such as finite spaces, product measures and log-concave distributions including Bayesian logistic regression. The bounds obtained are within a logarithmic factor of similar bounds obtainable for Markov chain Monte Carlo.