Particle Metropolis-adjusted Langevin algorithms
粒子 Metropolis 校正 Langevin 算法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 MCMC 采样算法与高维渐近性质，未明确对应所列经济计量细分领域。
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…
粒子 Metropolis 校正 Langevin 算法
- 研究问题
- 在伪边际与粒子 MCMC 中使用 Langevin 提议时，梯度估计误差如何影响高维性能，以及何时能够获得相对随机游走的优势？
- 方法与思路
- 作者提出基于 Langevin 动力学的采样方案，在参数维度增长的渐近框架下研究梯度误差，并讨论似然模拟样本数和提议步长的调节。
- 材料陈述的贡献
- 摘要称梯度误差控制决定高维收益：误差控制不足时渐近上没有优势；控制适当时可获得更有利的最优尺度，并给出调参指导。
- 阅读关注点
- 应核对梯度误差与似然估计误差的条件、高维目标分布框架，以及最优尺度的具体定义，区分渐近收益与有限计算成本表现。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；误差控制的精确要求和计算成本比较未说明，不能推断有限维时必然更快或刊本变化。
原文摘要
In this paper we propose a new sampling scheme based on Langevin dynamics that is applicable in pseudo-marginal and particle Markov chain Monte Carlo algorithms. We investigate the algorithm's theoretical properties under standard asymptotics, which correspond to an increasing dimension |$n$| of the parameters. Our results show that the behaviour of the algorithm depends crucially on how accurately one can estimate the gradient of the log target density. If the error in the estimate of the gradient is not sufficiently controlled as the dimension increases, then asymptotically there will be no advantage over the simpler random-walk algorithm. However, if the error is sufficiently well-behaved, then the optimal scaling of this algorithm will be |$O(n^{-1/6})$|, compared to |$O(n^{-1/2})$| for the random walk. Our theory also gives guidelines on how to tune the number of Monte Carlo samples in the likelihood estimate and the proposal step-size.