Random Walk Metropolis
PulseAugur coverage of Random Walk Metropolis — every cluster mentioning Random Walk Metropolis across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
Metropolis-within-Gibbs 算法的新谱隙界限
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…
-
新的高斯不变MCMC方法提高了统计效率
研究人员开发了新颖的采样方法，包括随机游走Metropolis (RWM)、Metropolis调整的Langevin算法 (MALA) 以及二阶Hessian或流形MALA的高斯不变版本。这些方法通过利用高斯不变性来推导泊松方程的精确解析解，与标准的RWM和MALA相比，具有更高的统计效率。这使得能够构建有效的控制变量，用于估计量中的方差缩减，尤其在高维潜在高斯模型中得到了证明，并在这些模型中取得了最先进的结果。
-
新方法利用Metropolis-Hastings对称性优化MCMC算法缩放
一篇新发表在arXiv上的论文详细介绍了一种优化Metropolised马尔可夫链蒙特卡洛（MCMC）算法在维度增加时的缩放特性的通用方法。该方法利用Metropolis-Hastings公式固有的对称性，为各种提议机制推导出新的最优缩放结果。该框架包含了随机游走Metropolis和MALA等算法的现有发现，同时也为基于隐式和微分方程积分器的提议提供了新颖的最优缩放。