Estimating MCMC convergence rates using common random number simulation
University of Toronto（多伦多大学）；Texas A&M University（德克萨斯农工大学）
本文利用公共随机数模拟为MCMC收敛提供Wasserstein距离上界，并在多个模型中验证其比传统漂移界收敛更快，速率与单次耦合界相当。
2026-09-10 stat.CO
Regeneration and Fixed-Width Analysis of Markov Chain Monte Carlo Algorithms
在本论文中，我们采用分裂链的方法来分析马尔可夫链，并使用它来建立固定宽度的结果估计得到的马尔可夫链蒙特卡罗程序（MCMC）。理论结果包括再生的必要条件和充分条件的遍历马尔可夫链和再生的CLT版本的一致遍历马尔可夫链与$E_πf^2< \infty.$为了获得MCMC估计的渐近置信区间，强相合估计量的渐近方差是必不可少的。我们放宽了获得这样的估计所需的假设。此外，漂移条件下，非渐近固定宽度的MCMC估计的一般状态空间设置（不一定紧凑），不一定有界的目标函数$f$的结果。最后一章讨论了自适应蒙特卡罗模拟的思想，并给出了在过渡核的路径稳定条件下自适应过程的收敛结果和大数定律。
2009-07-27 stat.CO stat.ME
Nonasymptotic bounds on the estimation error of MCMC algorithms
我们解决的问题上界的MCMC估计的均方误差。我们的分析是非渐近的。我们首先建立了一个普遍的结果，基本上所有遍历马尔可夫链中遇到的贝叶斯计算和可能无界的目标函数$f$有效。在前导项正好是$σ_{\mathrm {as}}^2(P,f)/n$的意义上，该界是尖锐的，其中$σ_{\mathrm{as}}^2(P,f)$是CLT渐近方差。接下来，我们进行具体的额外的假设，并给出明确的几何和多项式遍历马尔可夫链定量漂移条件下的可计算的界限。作为一个推论，我们提供的置信估计的结果。
2013-12-11 math.ST stat.CO stat.ME
Meta-Learning for Stochastic Gradient MCMC
University of Cambridge（剑桥大学）
随机梯度马尔可夫链蒙特卡罗（SG-MCMC）方法在大规模贝叶斯建模中被广泛应用于后验样本的模拟。然而，现有的SG-MCMC计划并不适合任何特定的概率模型，即使是一个简单的修改的基础动力系统需要显着的物理直觉。本文提出了第一个元学习算法，允许自动设计的基础连续动态的SG-MCMC采样器。学习的采样器通过状态依赖的漂移和扩散来概括哈密顿动力学，从而实现神经网络能量景观的快速遍历和有效探索。实验验证了贝叶斯全连接神经网络和贝叶斯递归神经网络任务的方法，学习采样器优于通用的，手工设计的SG-MCMC算法，并推广到不同的数据集和更大的架构。
2018-06-12 cs.LG stat.ML
Multilevel Monte Carlo simulation of a diffusion with non-smooth drift
我们表明，Lasso和贝叶斯Lasso是非常接近时，稀疏性是大的，噪声是小的。然后我们提出用多值随机微分方程求解贝叶斯套索。给出了三种离散化算法，并给出了计算蒙特卡罗（MC）、多级蒙特卡罗（MLMC）和MCMC算法的代价的方法。
2015-04-24 math.ST stat.TH
On automating Markov chain Monte Carlo for a class of spatial models
马尔可夫链蒙特卡罗（MCMC）算法为复杂分布的性质估计提供了一种非常通用的方法。虽然它们的使用已经变得司空见惯，并且有大量关于MCMC理论和实践的文献，但MCMC用户仍然必须应对算法的每个实现的几个挑战。这些挑战包括确定如何构建有效的算法，找到合理的起始值，确定基于样本的估计是否准确，以及确定马尔可夫链的适当长度（停止规则）。我们描述了一种方法来解决这些问题的背景下，在理论上健全的空间广义线性模型，一类重要的模型，导致具有挑战性的后验分布。我们的方法结合分析近似构造可证明快速混合MCMC算法，并利用MCMC理论的最新发展。我们将我们的方法应用于实际数据的例子，并发现我们的MCMC算法是自动化和高效的。此外，由于采样算法的起始值，严格的误差估计和理论上合理的停止规则都很容易获得我们的例子，我们的MCMC为基础的估计实际上是很容易执行的蒙特卡罗估计的基础上独立和同分布的绘制。
2012-05-02 stat.CO
Wasserstein-based methods for convergence complexity analysis of MCMC with applications
在过去的25年里，基于漂移和优化（D&M）的技术一直是MCMC算法收敛性分析的主要支柱。然而，本文提出的结果表明，D&M可能是有用的收敛复杂性分析的新兴领域，这是如何的蒙特卡罗马尔可夫链的收敛行为的规模与样本量，$n$，和/或协变量的数量，$p$的研究。问题似乎是，随着维度的增加，少数化可能成为一种严重的不利因素。替代方法构建收敛速度界（相对于全变差距离），不需要最小化的调查。基于Wasserstein距离和随机映射，这些方法可以产生比基于D&M的那些对增加维度更稳健的界限。Wasserstein为基础的界限是用来开发强大的收敛复杂性的结果MCMC算法中使用的贝叶斯概率回归和随机效应模型在具有挑战性的渐近制度，其中$n$和$p$都很大。
2020-10-14 math.ST stat.CO stat.TH
Non-Vacuous Certification of Transport MCMC via Oscillation-Controlled Normalizing Flows
China Sanya Science and Education Innovation Park, Wuhan University of Technology, Sanya 572025, China（中国三亚科技教育创新园，武汉理工大学，三亚572025，中国）；School of Civil Engineering and Architecture, Wuhan University of Technology, Wuhan 430070, China（武汉理工大学土木工程与建筑学院，武汉430070，中国）
提出振荡控制归一化流框架，首次为传输MCMC采样器提供严格的非平凡谱隙界，通过谱归一化、基于覆盖的经验振荡界和振荡正则化训练，在多个后验分布上实现可认证的采样效率。
2026-05-31 cs.LG stat.CO stat.ME
Air Markov Chain Monte Carlo
我们介绍了一类适应越来越罕见的马尔可夫链蒙特卡罗（AirMCMC）算法的基础马尔可夫内核是允许改变的基础上，整个可用的链输出，但只有在特定的时间点分离的迭代次数不断增加。主要的动机是这种算法的分析容易。在同时或（较弱的）局部同时几何漂移条件，或同时多项式漂移条件下，证明了$L_2-$收敛性，弱大数定律和强大数定律（WLLN，SLLN），中心极限定理（CLT），并讨论了我们的方法如何推广已有的结果.我们认为，许多已知的自适应MCMC算法可以转化为相应的空气版本，并提供了一个经验证据，空气版本的性能几乎保持不变。
2018-01-28 stat.CO stat.ME
MCMC-Based Inference in the Era of Big Data: A Fundamental Analysis of the Convergence Complexity of High-Dimensional Chains
马尔可夫链蒙特卡罗（MCMC）是现代贝叶斯方法学的核心，没有MCMC，许多贝叶斯方法都是不可能实现的，因此MCMC的收敛性得到了广泛的关注，特别是几何遍历性的证明。然而，对MCMC从现代高维后验中采样的能力的信任受到了广泛的认识的限制，即这些链通常会遇到严重的收敛问题。在本文中，我们首先证明，当代方法获得收敛速度有严重的局限性时，尺寸的增长。然后，我们提出了一个框架，严格建立常用的高维MCMC的收敛行为。特别是，我们从理论上证明了流行MCMCCs的收敛问题的精确性质和严重性时，在高维实现，包括在各种$n$和$p$制度的收敛速度的相变，和整个频谱的模型的普遍性结果。我们还表明，收敛问题有效地消除了明显的保障几何遍历。然后，我们证明MCMCMCs的理论原则，可以构建和分析，以产生有界的几何收敛速度，即使尺寸$p$增长没有约束。此外，我们提出了一个诊断工具，建立收敛。
2015-08-27 math.PR math.ST stat.ME
Convergence Rate of Efficient MCMC with Ancillarity-Sufficiency Interweaving Strategy for Panel Data Models
本文首次为贝叶斯分层面板数据模型中应用辅助-充分交织策略（ASIS）提供严格理论证明，推导其最优几何收敛速度条件，通过蒙特卡洛实验验证其在小型面板中的效率，为ASIS扩展奠定基础。
2025-11-12 stat.CO stat.ME
Fast Doubly-Adaptive MCMC to Estimate the Gibbs Partition Function with Weak Mixing Time Bounds
我们提出了一种新的方法，用于减少严格估计吉布斯（玻尔兹曼）分布，这是无处不在的概率图形模型的分区函数（归一化常数）的计算复杂性。吉布斯分布实际应用的一个主要障碍是需要估计它们的配分函数。在解决这个问题的最先进的是多阶段的算法，它包括一个冷却时间表，并在每一步的时间表的平均估计。虽然这些算法中的冷却时间表是自适应的，但平均估计计算使用MCMC作为黑盒来绘制近似样本。我们开发了一个双重自适应的方法，结合自适应冷却时间表与自适应MCMC均值估计，其数量的马尔可夫链的步骤动态地适应底层链。通过严格的理论分析，我们证明了我们的方法在几个方面优于现有的算法：（1）我们的方法的计算复杂度较小;（2）我们的方法对混合时间的松散界限不敏感，这是这些算法中的一个固有组成部分;（3）我们的方法所获得的改进在最具挑战性的高精度估计中特别重要。我们证明了我们的方法在经典的因子图，如投票模型和伊辛模型上运行的实验中的优势。
2021-11-14 cs.DS stat.ML
Control Variates for Reversible MCMC Samplers
一个一般的方法介绍了建设和有效的应用控制变量的估计问题，涉及数据从可逆MCMC采样器。我们建议使用一类特定的功能作为控制变量，我们引入了一个新的，相合估计量的最佳线性组合的这些功能的系数值。控制变量的形式和建议的建设来自我们的解决方案的泊松方程与一个特定的MCMC方案。新的估计，它可以适用于相同的MCMC样本，来自一个新的，有限维的，明确的最佳系数表示。由此产生的方差减少方法主要适用于当模拟数据由共轭随机扫描吉布斯采样器产生。贝叶斯推断问题的MCMC示例表明，估计方差的相应减少是显著的，并且在某些情况下可能是相当戏剧性的。这种方法在几个方向的扩展，包括某些家庭的大都会黑斯廷斯采样器和混合大都会内吉布斯算法。相应的仿真例子说明所提出的方法的效用。所有的方法和渐近的论点是严格合理的，易于验证，基本上是最小的条件下。
2010-08-07 math.PR math.ST stat.CO
Bayesian Pose Graph Optimization via Bingham Distributions and Tempered Geodesic MCMC
Technische Universität München（慕尼黑工业大学）；Siemens AG（西门子股份公司）；LTCI, Télécom ParisTech, Université Paris-Saclay（巴黎萨克雷大学巴黎电信学院LTCI实验室）
我们介绍了Tempered Geodesic Markov Chain Monte Carlo（TG-MCMC）算法用于初始化姿态图优化问题，这些问题出现在各种场景中，例如SFM（从运动恢复结构）或SLAM（同时定位与地图构建）。TG-MCMC是同类中的第一个，因为它将四元数球面流形上的渐近全局非凸优化与后验采样结合起来，以便提供可靠的初始姿态和不确定性估计，这些估计可以提供有关单个解决方案质量的信息。我们为我们的方法设计了严格的理论收敛保证，并在合成和真实的基准数据集上对其进行了广泛的评估。除了其优雅的配方和理论，我们表明，我们的方法是强大的缺失数据，噪声和估计的不确定性捕捉直观的数据属性。
2019-03-30 cs.AI cs.CG cs.CV
On Connecting Stochastic Gradient MCMC and Differential Privacy
Duke University（杜克大学）；University at Buffalo, SUNY（纽约州立大学布法罗分校）；Nanjing University（南京大学）
最近，在将机器学习应用于现实世界的应用方面取得了重大成功。培训数据的隐私问题也引起了相应的关注，这涉及到数据安全和保密问题。差分隐私在机器学习模型上提供了原则性和严格的隐私保证。虽然通过注入噪声来设计满足所需的差分隐私属性的模型是常见的，但通常难以平衡隐私和实用性之间的权衡。我们表明，随机梯度马尔可夫链蒙特卡罗（SG-MCMC）-最近提出的一类可扩展的贝叶斯后验抽样算法-满足强差分隐私仔细选择的步长。我们开发的性能的建议差分私人SG-MCMC方法的理论。我们进行实验来支持我们的分析，并表明标准的SG-MCMC采样器在没有任何修改的情况下（在默认设置下）可以在贝叶斯学习的隐私和实用性方面达到最先进的性能。
2017-12-25 cs.LG stat.ML
Dimension-free Relaxation Times of Informed MCMC Samplers on Discrete Spaces
本文针对离散空间上的 informed Metropolis-Hastings 采样器，利用多商品流与单元素漂移条件给出与维度无关的弛豫时间充分条件及混合时间界。
2025-07-28 math.PR stat.CO stat.ML
Local Sequential MCMC for Data Assimilation with Applications in Geoscience
本研究针对高维数据同化中的权重退化与效率问题，在SMCMC框架下提出局部化方法，通过限制转移密度至观测区域降低自由度，经地球科学相关高维模型与真实/合成观测测试，在高精度需求下效率与准确性优于对比方法。
2024-09-11 cs.NA math.NA stat.CO
Two Localization Strategies for Sequential MCMC Data Assimilation with Applications to Nonlinear Non-Gaussian Geophysical Models
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；Florida State University（佛罗里达州立大学）
本文提出两种基于SMCMC的局部数据同化策略，用于高维非线性非高斯地质模型，通过空间稀疏性减少自由度并提高效率，适用于处理重尾误差的高斯和非高斯观测噪声。
2026-10-06 stat.AP stat.CO stat.ME
MCMC using $\textit{bouncy}$ Hamiltonian dynamics: A unifying framework for Hamiltonian Monte Carlo and piecewise deterministic Markov process samplers
Johns Hopkins University（约翰斯·霍普金斯大学）
本文提出基于弹性哈密顿动力学的无拒绝Metropolis提案框架，将哈密顿蒙特卡洛与分段确定性马尔可夫过程采样统一，提升贝叶斯推断的扩展性与创新性。
2026-03-09 stat.CO stat.ME
MCMC-Free Uncertainty Quantification for Deep Generative Inference for Spatially Varying Coefficient Models at Scale
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）；University of California, San Francisco（加州大学旧金山分校）；Texas A&M University（德克萨斯农工大学）
针对大规模空间变系数模型，提出GeoVAE分层深度生成框架，无需MCMC或GP，通过系数特定自编码器与分层合成层联合估计多个系数函数，实现高效不确定性量化。
2026-09-30 stat.ME
The Coupling/Minorization/Drift Approach to Markov Chain Convergence Rates
本文介绍了马尔可夫链及其收敛速度，这是一个重要而有趣的数学课题，也有非常广泛使用的马尔可夫链蒙特卡罗（MCMC）算法的重要应用。首先讨论有限状态空间上马尔可夫链的特征值分析。然后，使用耦合结构，我们证明了两个定量界的基础上的最小化条件和漂移条件，并提供描述性和直观的例子来展示这些定理可以在实践中实现。本文的目的是提供一个总体概述的主题，并在新的马尔可夫链研究领域的兴趣火花。
2021-09-02 math.PR math.ST stat.TH
Comparison of Markov chains via weak Poincaré inequalities with application to pseudo-marginal MCMC
本文基于弱Poincaré不等式提出Markov链间的新型定量比较定理，简化了收敛界推导，为伪边缘MCMC等方法给出次几何收敛界，并深入分析了ABC平均化及PMMH对数正态权重等实际应用。
2022-08-09 cs.LG stat.CO
Self-Certifying Transport MCMC via Dual Spectral-Gap Certificates
Wuhan University of Technology（武汉理工大学）
提出CerT-MCMC框架，利用归一化流实现传输MCMC的自动严格收敛认证，通过覆盖证书和分位数核心证书提供谱间隙界限。
2026-06-02 cs.LG stat.CO stat.ME
Inverse modeling of hydrologic systems with adaptive multi-fidelity Markov chain Monte Carlo simulations
马尔可夫链蒙特卡罗（MCMC）模拟方法被广泛用于评估水文模型的参数不确定性条件下的可观测状态变量的测量。然而，当模型是CPU密集型和高维的，MCMC模拟的计算成本将是令人望而却步的。在这种情况下，CPU高效但不太准确的低保真度模型（例如，通常采用具有较粗离散化的数值模型或数据驱动的替代）。如今，多逼真度仿真方法，可以利用低逼真度模型的效率和高保真度模型的准确性得到普及。在MCMC模拟中，由于未知模型参数的后验分布是感兴趣区域，因此明智的做法是将大部分计算预算（即，高精度模型评估）。基于这一思想，本文提出了一种自适应多保真度MCMC算法，用于水文系统的高效逆建模。在该方法中，我们评估高保真模型主要是在后验区域通过迭代运行MCMC基于高斯过程（GP）系统，自适应构造与多保真度模拟。在MCMC仿真中严格考虑了GP系统的误差，并在后验区域逐渐减小到可以忽略的水平。因此，所提出的方法可以得到一个准确的估计后验分布与少量的高保真模型评估。所提出的方法的性能证明了三个数值算例研究在水文系统的逆模拟。
2018-06-14 math.OC stat.CO
Cores for Piecewise-Deterministic Markov Processes used in Markov Chain Monte Carlo
我们展示了最近提出的MCMC算法的马尔可夫半群的基本性质，基于分段确定性马尔可夫过程（PDMP），如弹性粒子采样器，锯齿形过程或随机化的哈密顿蒙特卡罗方法。在MCMC设置通常满足的假设下，我们证明了PDMP是费勒和他们的生成器承认空间的无限可微函数作为一个核心的紧支持。正如我们所示，通过鞅问题和简化的目标分布的不变性证明，这些结果提供了一个基本的工具，这些算法和相应的随机过程的严格分析。
2022-12-31 math.PR math.ST stat.CO
Control variates and Rao-Blackwellization for deterministic sweep Markov chains
研究了在确定性扫描采样下，使用$K\geq 2$转移核的马尔可夫链蒙特卡罗（MCMC）控制变量方法。新的方差减少结果提供MCMC平均值的基础上扫描一般的过渡内核，导致一个特别简单的控制变量估计的确定性扫描吉布斯采样的设置。我们提出的控制变量估计与现有文献的理论比较，并进行了模拟研究，以检查在某些情况下的方差减少量。我们还涉及控制变量的方法的基础上调节（或劳Blackwellization）的方法，并表明，后者可以被视为前者的近似。我们的理论结果适用于标准几何漂移假设下的马尔可夫链。
2019-12-14 math.PR math.ST stat.ME
Stochastic volatility model with range-based correction and leverage
本研究提出了在随机波动框架内，利用杠杆的资产收益率和价格范围的同期建模。给出了价格区间概率密度函数的一种新表示，并给出了其精确抽样算法。利用马尔可夫链蒙特卡罗（MCMC）方法对模型参数和未观测变量进行贝叶斯估计。MCMC样本可以严格地生成，尽管估计过程需要从具有无穷级数之和的密度函数中采样。使用美国市场指数的数据得到的实证结果与金融市场中的程式化事实相一致，例如杠杆效应的存在。此外，为了探讨模型的预测能力，基于波动性预测性能的模型进行了比较。
2021-10-27 econ.EM stat.CO
Broadly Applicable Approximate MCMC for Switching Stochastic Differential Equations Using Uniformization and Time-Conditioned Factorized Neural Likelihood Estimation
Waseda University（早稻田大学）；National Institute of Advanced Industrial Science and Technology（日本产业技术综合研究所）；Nippon Medical School（日本医科大学）
本研究提出一种基于均匀化和时间条件化因子化神经似然估计的近似MCMC采样器，用于切换随机微分方程的贝叶斯推断，无需解析转移密度，并在合成与真实数据上验证了其广泛适用性。
2026-10-08 cs.LG stat.ML
Optimal scaling and curvature correction for constrained MCMC on spheres
Mathematics Institute, University of Warwick（华威大学数学研究所）
针对高维球面约束MCMC采样问题，提出切线pCN方法并结合曲率校正，证明其最优调优接受概率，实现与维度无关的步长，为流形上的MCMC提供了最优缩放方案。
2026-10-14 math.PR math.ST stat.CO
Evaluating uncertainties in electrochemical impedance spectra of solid oxide fuel cells
Jožef Stefan Institute（约热夫·斯特凡研究所）；Jožef Stefan International Postgraduate School（约热夫·斯特凡国际研究生院）；Commissariat à l’Énergie Atomique et aux Énergies Alternatives - CEA（法国原子能与替代能源委员会（CEA））
电化学阻抗谱（EIS）是一种广泛使用的工具，用于表征燃料电池和其他电化学转换系统。当应用于现场应用的背景下的在线监测，干扰，漂移和传感器噪声可能会导致严重的失真，特别是在低频部分的评估频谱。未能忽略随机效应可能导致光谱的错误解释，从而导致误导性的诊断推理。迄今为止，这一事实在研究中并没有经常得到解决。在本文中，我们提出了一种方法来量化的光谱不确定性，这依赖于评估的不确定性的等效电路模型（ECM）。我们采用计算效率高的变分贝叶斯（VB）方法和比较质量的结果与马尔可夫链蒙特卡罗（MCMC）算法。即MCMC算法返回模型参数的精确分布，而VB方法提供近似分布。通过使用模拟和真实数据，我们表明，近似结果提供的VB方法，虽然有点过于乐观，仍然接近更现实的MCMC估计。VB在线监测方法的一个很大的优点是计算量小，比MCMC低几个数量级。以6电池固体氧化物燃料电池（SOFC）电堆ECM参数估计为例，验证了VB算法的性能。可以在https://repo.ijs.si/lznidaric/variational-bayes-supplementary-material上找到重新创建结果的完整数值实现。
2021-05-05 cs.LG stat.AP stat.CO
From stability of Langevin diffusion to convergence of proximal MCMC for non-log-concave sampling
Univ. Bordeaux, CNRS, Bordeaux INP, IMB, UMR 5251（波尔多大学、法国国家科学研究中心、波尔多INP、IMB、UMR 5251）；ENS, CNRS, PSL University Paris（巴黎高等师范学院、法国国家科学研究中心、巴黎PSL大学）；LTCI, Télécom Paris, IP Paris, France（LTCI、巴黎电信学院、IP巴黎、法国）；Univ. Bordeaux, CNRS, INRIA, Bordeaux INP, IMB, UMR 5251（波尔多大学、法国国家科学研究中心、INRIA、波尔多INP、IMB、UMR 5251）
本文证明非凸势函数下离散 ULA 对漂移近似的稳定性，并结合 Moreau 包络首次给出 PSGLA 收敛证明，实验显示其后验采样收敛更快且保持图像恢复性能。
2025-08-29 cs.CV cs.LG stat.ML
Parallel MCMC Algorithms: Theoretical Foundations, Algorithm Design, Case Studies
本文为并行MCMC算法建立测度论基础，推导多提议接受准则，提出多提议pCN算法，并通过并行化与贝叶斯反演案例验证其高效性。
2024-07-17 math.PR math.ST stat.CO
A New Approach to Radiocarbon Summarisation: Rigorous Identification of Variations/Changepoints in the Occurrence Rate of Radiocarbon Samples using a Poisson Process
针对放射性碳“日期作为数据”分析中SPD方法统计无效的问题，提出基于非齐次泊松过程和贝叶斯RJ-MCMC框架的新方法，灵活重建样本发生率并严格识别统计显著的变点。
2025-04-29 stat.AP stat.ME
Dimension-free Mixing for High-dimensional Bayesian Variable Selection
Yang等人（2016）证明了贝叶斯变量选择的对称随机游动梅特罗波利斯-黑斯廷斯算法在温和的高维假设下快速混合。我们提出了一种新的MCMC采样器使用知情的建议计划，我们证明实现了更快的混合时间，是独立的协变量的数量，在相同的假设下。据我们所知，这是第一个高维结果，严格表明，知情MCMC方法的混合速度可以足够快，以抵消局部后验评估的计算成本。基于对采样器的理论分析，我们进一步提出了一种新的方法--“两阶段漂移条件”来研究一般状态空间上的马尔可夫链的收敛速度，这对于在高维环境下获得严格的复杂性界是有用的.仿真研究和实际数据分析表明，我们的算法的实际优势。
2022-04-23 stat.CO stat.ME
Geometric ergodicity of Rao and Teh's algorithm for Markov jump processes
Rao和Teh（2013）介绍了一种有效的MCMC算法，用于从隐马尔可夫跳跃过程的后验分布中进行采样。该算法基于虚拟跳跃采样的思想。本文证明了由Rao和Teh算法生成的马尔可夫链是几何遍历的。为此，我们建立了一个几何漂移的条件向一个小的集合。
2015-12-02 stat.ME
