Automatic Regenerative Simulation via Non-Reversible Simulated Tempering
通过非可逆模拟回火实现自动再生模拟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：摘要研究通用 MCMC 算法及计算效率，没有所列计量领域细分的直接应用依据。
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…
通过非可逆模拟回火实现自动再生模拟
- 研究问题
- 面对复杂目标分布，如何降低模拟回火的调参难度，并利用再生结构提高抽样效率与独立模拟路径的并行能力？
- 方法与思路
- 作者提出非可逆模拟回火算法，以 Tour Effectiveness 衡量模拟游程效率，并据此设计兼顾计算成本的自动调参程序。
- 材料陈述的贡献
- 摘要称，该指标控制有界测试函数估计的渐近方差，并支持非可逆方法优于可逆对应方法的比较；实验展示调参效果。
- 阅读关注点
- 应核对参考分布可独立抽样的要求、游程效率指标的定义、非可逆优势的比较条件，以及调参成本如何计入评价。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；优势结论的完整条件和实验数值未说明，不能外推至所有 MCMC 或推断刊本变化。
原文摘要
Simulated Tempering (ST) is an MCMC algorithm for complex target distributions that operates on a path between the target and a more amenable reference distribution. Crucially, if the reference enables i.i.d. sampling, ST is regenerative and can be parallelized across independent tours. However, the difficulty of tuning ST has hindered its widespread adoption. In this work, we develop a simple nonreversible ST (NRST) algorithm, a general theoretical analysis of ST, and an automated tuning procedure for ST. A core contribution that arises from the analysis is a novel performance metric—Tour Effectiveness (TE)—that controls the asymptotic variance of estimates from ST for bounded test functions. We use the TE to show that NRST dominates its reversible counterpart. We then develop an automated tuning procedure for NRST algorithms that targets the TE while minimizing computational cost. This procedure enables straightforward integration of NRST into existing probabilistic programming languages. We provide extensive experimental evidence that our tuning scheme improves the performance and robustness of NRST algorithms on a diverse set of probabilistic models.