研究人员开发了一个新的框架来分析马尔可夫链蒙特卡洛 (MCMC) 算法，重点关注收缩原理。该框架利用 Eγ-散度下的全局和局部收缩系数来证明混合时间界限。该方法为投影 Langevin Monte Carlo 提供了直接的指数收敛证明，并为 Metropolis-Hastings 算法提供了热启动收敛界限，即使在重尾情况下也是如此。 AI
影响 这项研究引入了一个新颖的 MCMC 算法理论框架，有可能提高其在各种 AI 领域的效率和适用性。
排序理由 该集群包含一篇详细介绍 MCMC 算法新理论框架的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2606.03033v1 Announce Type: cross Abstract: We develop a contraction-based framework for proving mixing-time bounds for Markov chain Monte Carlo algorithms. The framework is built around global and local contraction coefficients of Markov kernels under the $\mathsf E_\gamma…
We develop a contraction-based framework for proving mixing-time bounds for Markov chain Monte Carlo algorithms. The framework is built around global and local contraction coefficients of Markov kernels under the $\mathsf E_γ$-divergence with $γ\ge1$. For projected Langevin Monte…