Alternating Subspace-Spanning Resampling to Accelerate Markov Chain Monte Carlo Simulation
通过交替子空间张成重采样加速马尔可夫链蒙特卡洛模拟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：摘要聚焦通用贝叶斯计算与 MCMC 加速，没有所列经济计量应用方向的直接证据。
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
通过交替子空间张成重采样加速马尔可夫链蒙特卡洛模拟
- 研究问题
- 如何在保留数据增广算法或 Gibbs 采样器操作简便性的同时，提高马尔可夫链蒙特卡洛采样的计算效率？
- 方法与思路
- 作者提出交替子空间张成重采样方法 ASSR，用于加速既有采样算法，并以带删失实验数据的贝叶斯估计说明方法。
- 材料陈述的贡献
- 摘要称，ASSR 往往保留原采样器的简便性而显著提高效率，同时讨论它与现有方法的关系；未给出改善幅度。
- 阅读关注点
- 应核对子空间与重采样步骤的构造、目标分布保持不变的依据，以及效率指标、额外计算成本和既有方法之间的联系。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明收敛保证、效率比较条件与数值，不能推断对任意采样器均有效。
原文摘要
This article provides a simple method to accelerate Markov chain Monte Carlo sampling algorithms, such as the data augmentation algorithm and the Gibbs sampler, via alternating subspace-spanning resampling (ASSR). The ASSR algorithm often shares the simplicity of its parent sampler but has dramatically improved efficiency. The methodology is illustrated with Bayesian estimation for analysis of censored data from fractionated experiments. The relationships between ASSR and existing methods are also discussed.