Outperforming the Gibbs sampler empirical estimator for nearest-neighbor random fields
改进最近邻随机场的Gibbs采样经验估计量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：摘要讨论随机场的蒙特卡洛估计与Gibbs采样效率，未涉及经济网络干扰或所列其他专门方向。
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…
改进最近邻随机场的Gibbs采样经验估计量
- 研究问题
- 对采用确定性扫描的Gibbs采样器，标准经验估计量是否充分利用了马尔可夫链样本，以及如何在较低额外成本下降低渐近方差？
- 方法与思路
- 作者利用采样器的转移分布构造额外经验估计量，与标准估计量组合；对空间齐次随机场进一步采用对称化处理。
- 材料陈述的贡献
- 摘要称，这些组合可降低渐近方差，额外计算成本很小；方法还适用于可逆逐变量确定性扫描更新，并以Ising模型模拟展示。
- 阅读关注点
- 应核对组合估计量及其权重如何获得、方差降低的条件、可逆更新和确定性扫描的作用，以及对称化需要的空间齐次性。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要未给出方差降幅或计算细节，不能推广到任意扫描方式、非可逆更新或随机场。
原文摘要
Given a Markov chain sampling scheme, does the standard empirical estimator make best use of the data? We show that this is not so and construct better estimators. We restrict attention to nearest-neighbor random fields and to Gibbs samplers with deterministic sweep, but our approach applies to any sampler that uses reversible variable-at-a-time updating with deterministic sweep. The structure of the transition distribution of the sampler is exploited to construct further empirical estimators that are combined with the standard empirical estimator to reduce asymptotic variance. The extra computational cost is negligible. When the random field is spatially homogeneous, symmetrizations of our estimator lead to further variance reduction. The performance of the estimators is evaluated in a simulation study of the Ising model.