研究人员为 Metropolis-within-Gibbs (MwG) 算法建立了一个新的谱隙下界。MwG 是一种常用的马尔可夫链蒙特卡洛方法，用于从复杂分布中采样。该研究侧重于在对数凹函数假设下使用随机游走 Metropolis 更新的 MwG，将现有界限从 \(\\Omega((\\kappa^2 d)^{-1})\) 提高到 \(\\Omega((\\kappa d)^{-1})\)。这一理论进展表明，经过适当调整的 MwG 可以实现显著更快的混合速率，其性能接近精确 Gibbs 采样器。 AI
影响 为机器学习模型中更快的采样提供了理论支持，可能提高训练效率。
排序理由 在 arXiv 上发表的学术论文，详细介绍了 MCMC 算法的理论进展。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
