Unbounded Slice Sampling
切片抽样是一种有效的马尔可夫链蒙特卡罗算法，它可以从非归一化密度中抽样，并且接受率总是$1$。然而，当要采样的变量是无界的时，它的“逐步退出”启发式仅在局部起作用，使得难以均匀地探索可能的候选者。本文提出了一种简单的变元法，从[0，1）等价地对无界变量进行切片采样。
2020-10-05 stat.CO
Delayed Acceptance Slice Sampling
TU Bergakademie Freiberg（弗莱贝格工业大学）；Universität Passau（帕绍大学）
本文提出延迟接受切片采样方法，通过确定性近似提高计算效率，适用于贝叶斯推断中的昂贵似然函数场景。
2026-09-21 math.ST stat.CO stat.TH
Ensemble Slice Sampling: Parallel, black-box and gradient-free inference for correlated & multimodal distributions
Institute for Astronomy, University of Edinburgh（爱丁堡大学天文研究所）
切片采样已经成为一种强大的马尔可夫链蒙特卡罗算法，它以最小的手动调整适应目标分布的特征。然而，切片采样的性能对用户指定的初始长度尺度超参数高度敏感，并且该方法通常难以处理尺度差或强相关的分布。本文介绍了Ensemble切片采样（ESS），一类新的算法，绕过这样的困难，通过自适应调整的初始长度尺度和利用合奏的并行步行者，以有效地处理参数之间的强相关性。这些仿射不变的算法是平凡的构造，不需要手动调整，可以很容易地实现在并行计算环境中。实证测试表明，包围切片采样可以提高效率超过一个数量级相比，传统的MCMC方法在广泛的高度相关的目标分布。在强多模态目标分布的情况下，Enhancement切片采样即使在高维中也可以有效地采样。我们认为，并行，黑盒和梯度的方法的性质使其理想的用于科学领域，如物理学，天体物理学和宇宙学，这些领域主要是由各种各样的计算昂贵和不可微的模型。
2021-10-03 astro-ph.CO astro-ph.IM cs.LG
Towards Unifying Hamiltonian Monte Carlo and Slice Sampling
我们统一切片采样和哈密顿蒙特卡罗（HMC）采样，通过哈密尔顿力学的哈密尔顿-雅可比方程证明它们的连接。这种见解使HMC和切片采样扩展到更广泛的采样器系列，称为Monomial Gamma Sampler（MGS）。我们提供了这样的采样器的混合性能的理论分析，证明在一个单一的参数的限制，MGS提请去相关的样本从所需的目标分布。我们进一步表明，当这个参数趋向于这个极限时，性能增益是以增加数值难度和一些实际收敛问题为代价的。我们的理论结果与合成数据和实际应用进行了验证。
2018-01-10 stat.ME stat.ML
Complexity bounds for Dirichlet process slice samplers
University of Milano-Bicocca（米兰比可卡大学）；University of Bergamo（贝加莫大学）
针对Dirichlet过程模型，证明了切片采样器每迭代计算开销相对于后验聚类数的增长率为O_P(log n)，为实际可扩展性提供了理论保证。
2026-05-30 stat.CO
Pseudo-Marginal Slice Sampling
马尔可夫链蒙特卡罗（MCMC）方法从复杂的概率分布中渐进地采样。伪边际MCMC框架只需要一个无偏估计量的非归一化概率分布函数，以构建一个马尔可夫链。然而，与传统MCMC相比，所产生的链更难调整到目标分布，并且可用的更新类型有限。我们描述了一种通用的方法来钳位和更新用于伪边际方法的无偏估计量的随机数。在这个框架中，我们可以使用切片采样和其他自适应方法。我们得到更强大的马尔可夫链，往往混合更快。
2016-05-24 stat.CO
Quantile Slice Sampling
本研究提出分位数切片抽样方法，通过概率积分变换推广Neal收缩算法，引入伪目标提升抽样效率，给出两种近似质量评估指标，验证了其在单变量、多变量及贝叶斯Gibbs抽样场景下的有效性，并配套了R包qslice。
2025-06-13 stat.CO
Uniform ergodicity of geodesic slice sampling
本文证明了测地线切片采样在紧支撑且有界密度分布上的均匀遍历性，并显式给出了收敛常数及其对超参数、目标分布和定义域的依赖关系。
2025-10-08 math.PR math.ST stat.TH
Wasserstein contraction and spectral gap of slice sampling revisited
本研究提出$k$-极切片采样（$k$-PSS）新方法，通过分析其Wasserstein收缩率与谱间隙，推进了对均匀和极切片采样的理论理解，还揭示了两类方法在重尾分布下的维度相关性能差异。
2023-09-26 math.PR math.ST stat.TH
Moments and random number generation for the truncated elliptical family of distributions
本文提出了一种从具有严格递减密度母函数的截尾多元椭圆分布族中的任意成员生成随机数的算法。在Neal（2003）和Ho et al.（2012）的基础上，我们通过Gibbs采样器步骤的切片采样算法构建了一种有效的采样方法。我们还提供了一种更快的方法来近似截断多元椭圆分布的一阶和二阶矩，其中蒙特卡罗积分用于截断分区，以及非截断部分的显式表达式（Galarza等人，2020年）。实例和环境空间数据的应用说明了它的实用性。方法在新的R库椭圆中免费提供。
2021-12-17 stat.CO stat.ME
Slice Sampling for General Completely Random Measures
University of British Columbia（不列颠哥伦比亚大学）
完全随机度量提供了一种创建灵活的无监督模型的原则性方法，其中潜在特征的数量是无限的，并且影响数据的特征数量随着数据集的大小而增长。由于潜在特征的无限性，后验推理需要边缘化-导致依赖结构，通过并行化和共轭性防止有效计算-或有限截断，这任意限制了模型的灵活性。在本文中，我们提出了一种新的马尔可夫链蒙特卡罗算法的后验推理，自适应设置截断水平使用辅助切片变量，使高效，并行计算，而不牺牲灵活性。在过去的工作中，实现了这一点的模型的基础上，我们提供了一个通用的配方，适用于广泛的类完全随机测量为基础的先验。几个流行的非参数模型，所提出的算法的有效性进行评估，表现出更高的有效样本量每秒相比，使用边缘化算法以及更高的预测性能相比，采用固定截断模型。
2020-06-25 cs.LG stat.CO stat.ME
Geodesic slice sampling on the sphere
Friedrich Schiller University Jena（耶拿弗里德里希·席勒大学）；Universität Passau（帕绍大学）
本文提出了一种高效的球面上测地切片采样方法，通过收缩机制实现高效采样，且在复杂分布上优于传统采样器。
2026-03-08 math.PR math.ST stat.ME
Efficient and Fast Sampling from Arbitrary Probability Kernels using Sliced Gibbs Sampler
North Carolina State University（北卡罗来纳州立大学）
本文提出自动切片吉布斯框架，实现对任意有限维概率核的自动马尔可夫链蒙特卡洛采样，无需用户指定截断界、提议尺度、步长调优或条件优化，适用于非标准化、非光滑、重尾和高多模态密度。
2026-10-06 stat.ME
Slice Monte Carlo Integration
Graz University of Technology（格拉茨工业大学）；University of Oxford（牛津大学）；GraML – Graz Center for Machine Learning（格拉茨机器学习中心）
提出切片蒙特卡洛积分（SℓMC），利用代理模型进行嵌套采样式空间划分，实现分层蒙特卡洛积分，有效降低方差并高效分配计算资源。
2026-10-01 math.ST stat.CO stat.ME
Reversibility of elliptical slice sampling revisited
Faculty of Computer Science and Mathematics, Universität Passau（帕绍大学计算机科学与数学系）；Expert Analytics GmbH（Expert Analytics 公司）
本文将椭圆切片采样推广到无穷维可分希尔伯特空间，通过分析收缩马尔可夫链重新证明其可逆性，并证明其诱导半正定马尔可夫算子。
2024-05-06 cs.LG math.ST stat.CO
Energy-Based Sliced Wasserstein Distance
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对切片Wasserstein距离中切片分布选择的局限性，提出无参数的基于能量的切片Wasserstein（EBSW）距离，通过能量函数自适应突出关键投影方向，并在多项点云与图像任务中验证了其优越性能。
2023-12-30 cs.CV cs.GR cs.LG
Adaptive Generalized Elliptical Slice Sampling
Duke University（杜克大学）；Department of Statistical Science, Duke University（杜克大学统计科学系）
针对无梯度MCMC中手动调参、维度扩展和局部几何适应性的挑战，提出自适应广义椭圆切片采样（AGESS），通过结合椭圆切片采样与衰减自适应，实现从慢混合到快混合的自校正，并保持遍历性。
2026-08-04 stat.CO
Vertical-likelihood Monte Carlo
在这篇评论中，我们解决了使用蒙特卡罗方法近似定积分的形式$Z = \int L(x) d P(x)$，其中$L$是一个目标函数（通常是一个可能性）和$P$有限的措施。我们提出了垂直似然蒙特卡罗，这是一种设计的重要性函数$g(x)$用于重要性抽样的方法。我们的方法利用了两个随机变量之间的对偶性：随机抽取$X \sim g$，以及抽取的相应随机似然纵坐标$Y\equiv L(X)$。很自然地会指定$g(x)$并询问：$Y$的隐含分布是什么？在本文中，我们采取了相反的问题：$Y$的分布应该是什么，使隐含的重要性函数$g(x)$是好的近似$Z$？我们的答案在垂直似然的视角下统一了七种看似不同的算法：重要性抽样、切片抽样、模拟退火/回火、调和均值估计、垂直密度抽样、嵌套抽样和能级抽样（一套来自统计物理学的相关方法）。特别是，我们给出了一个替代介绍嵌套抽样，特别注意这种方法和垂直可能性的角度之间的连接在这里阐述。作为一种替代嵌套采样，我们描述了MCMC方法的基础上重新加权切片采样。这种方法的收敛性进行了研究，两个例子证明了承诺的整体方法。
2015-06-23 math.ST stat.CO stat.TH
Slice sampling covariance hyperparameters of latent Gaussian models
高斯过程（GP）是一种在概率模型中指定随机变量之间依赖关系的流行方法。在贝叶斯框架中，协方差结构可以使用未知的超参数来指定。在进行预测时，对这些超参数进行积分会考虑对数据的不同可能解释。该积分通常使用马尔可夫链蒙特卡罗（MCMC）采样来执行。然而，对于非高斯观测，标准超参数采样方法需要仔细调整，并且可能收敛缓慢。在本文中，我们提出了一个切片采样方法，需要很少的调整，同时混合以及在强和弱的数据制度。
2010-10-28 stat.CO stat.ML
A Dimension-Independent Bound on the Wasserstein Contraction Rate of a Geodesic Random Walk on the Sphere
本文证明了欧几里得$d$-球面上测地线随机游走的Wasserstein收缩率具有与维度$d$无关的上界，为geodesic slice sampling和Gibbsian polar slice sampling等MCMC方法实现维度无关性能提供了理论依据。
2024-06-16 math.PR math.ST stat.TH
A Common Derivation for Markov Chain Monte Carlo Algorithms with Tractable and Intractable Targets
马尔可夫链蒙特卡罗（Markov chain Monte Carlo）是一类从高维目标密度中抽取马尔可夫样本来近似计算统计期望的数值积分的算法，特别是在贝叶斯统计中。然而，许多马尔可夫链蒙特卡罗算法似乎并不共享相同的理论支持，每个算法都以不同的方式证明。这导致了许多术语和辅助概念，这使得马尔可夫链蒙特卡罗文献似乎是分散的，并恐吓来自许多其他领域的研究人员，包括贝叶斯统计的新研究人员。利用一个随机数发生器和一个自逆映射构造了梅特罗波利斯-黑斯廷斯算法的一个推广版本。这个公式承认许多其他马尔可夫链蒙特卡罗算法作为特殊情况。许多马尔可夫链蒙特卡罗算法的一个共同的推导在绘制这些算法之间的联系和比较时是有用的。因此，我们现在可以构建多个马尔可夫链蒙特卡罗算法的许多新组合，这些组合放大了每个单独算法的效率。具体来说，我们提出了两个新的采样方案，结合切片采样方向或哈密顿采样。我们的哈密顿切片采样方案也适用于伪边缘背景下，目标密度是棘手的，但可以无偏估计，例如，使用粒子滤波。
2018-03-25 stat.CO
Counting $N$ Queens
本文针对经典N皇后解的计数问题，提出基于洛伦兹曲线分位数重排序的蒙特卡洛方法，证明其为高效多项式时间解，还介绍多种其他MC方法及二元矩阵采样算法。
2024-07-11 stat.CO
Covariance-Adaptive Slice Sampling
我们描述了两个切片采样方法，采用多变量步骤的面包屑框架。这些方法使用被拒绝的建议的梯度来适应对数密度表面的局部曲率，当参数高度相关时，这种技术可以产生更好的建议。我们评估我们的方法在四个分布和比较它们的性能的非自适应切片采样方法和大都会方法。自适应方法在具有高度相关参数的低维目标分布上表现良好。
2010-03-16 stat.CO
Nested Slice Sampling: Vectorized Nested Sampling for GPU-Accelerated Inference
Kavli Institute for Cosmology Cambridge（剑桥卡维利宇宙研究所）；Institute of Astronomy, University of Cambridge（剑桥大学天文研究所）；Cavendish Laboratory and Department of Engineering, University of Cambridge（剑桥大学卡文迪许实验室和工程系）
本文提出嵌套切片采样，一种适用于GPU的向量化嵌套采样方法，通过Hit-and-Run切片采样实现约束更新，提升高维问题的计算效率和稳定性，实验表明其在复杂多模态问题中表现优异。
2026-05-10 cs.LG stat.CO stat.ML
Slice Sampling with Adaptive Multivariate Steps: The Shrinking-Rank Method
收缩秩方法是切片抽样的一种变体，它在从具有高度相关参数的多变量分布中进行抽样时是有效的。它要求对数密度的梯度是可计算的。在每一步中，它都用一个占据收缩维子空间的高斯来逼近当前切片。近似的维度在被拒绝的建议处正交于梯度收缩，因为当前切片之外的点处的梯度倾向于指向切片。这导致建议分布快速收敛到切片最长轴的估计值，从而导致状态的相关性低于相关方法生成的状态。在描述了该方法之后，我们将其与其他两种方法在几种分布上进行了比较，并获得了有利的结果。
2010-11-22 stat.CO
Bayesian Post-Processing Methods for Jitter Mitigation in Sampling
即使在信号先验分布和加性噪声具有正态分布的情况下，来自被抖动（定时噪声）和加性噪声破坏的样本的信号的最小均方误差（MMSE）估计也是非线性的。本文提出了一种基于吉布斯抽样和切片抽样的随机算法来逼近贝叶斯公式中的最优MMSE估计。仿真结果表明，该非线性算法比线性MMSE估计有明显的改进，同时也比期望最大化算法逼近经典估计中的极大似然（ML）估计有明显的提高。通过有效的片外后处理来缓解抖动，可以容忍更大的抖动，从而潜在地降低片内ADC功耗。
2010-10-08 stat.AP
Fast Gibbs sampling for high-dimensional Bayesian inversion
Centre for Medical Image Computing, University College London（医学图像计算中心，伦敦大学学院）
本文提出了一种改进的吉布斯采样方法，用于高维贝叶斯反演问题，支持多种先验分布，如一般ℓ_𝑝^𝑞先验和硬约束，并通过计算实例展示了其在CT数据反演中的应用效果。
2016-07-05 cs.NA math.NA math.PR
Weak Poincaré inequality comparisons for ideal and hybrid slice sampling
本文利用弱庞加莱不等式框架比较混合与理想切片抽样的狄利克雷型，证明二者在适当条件下可相互继承快速收敛性，并应用于分析多种切片抽样算法的收敛行为。
2025-08-22 math.PR stat.CO stat.ME
Sampling Algorithms, from Survey Sampling to Monte Carlo Methods: Tutorial and Literature Review
本文是一个教程和文献综述抽样算法。统计学中有两种主要的抽样方法。第一种类型是调查抽样，从一组或总体中抽取样本。第二种是从概率分布中抽样，其中我们有一个概率密度或质量函数。在本文中，我们涵盖了这两种类型的采样。首先，我们回顾了一些必要的背景均方误差，方差，偏差，极大似然估计，伯努利，二项式和超几何分布，霍维茨-汤普森估计，和马尔可夫性质。然后，我们介绍了简单随机抽样、Bootstrapping、分层抽样和整群抽样的理论。我们还简要介绍了多级抽样，网络抽样和雪球抽样。然后，我们切换到从分布中采样。我们解释从累积分布函数，蒙特卡罗近似，简单的蒙特卡罗方法，和马尔可夫链蒙特卡罗（MCMC）方法抽样。对于简单的蒙特卡罗方法，其迭代是独立的，我们涵盖了重要抽样和拒绝抽样。对于MCMC方法，我们涵盖了Metropolis算法，梅特罗波利斯-黑斯廷斯算法，吉布斯采样和切片采样。然后，我们解释了随机游走行为的蒙特卡罗方法和更有效的蒙特卡罗方法，包括汉密尔顿（或混合）蒙特卡罗，阿德勒的超松弛，有序超松弛。最后，我们总结了抽样方法的特点，优点和缺点，相互比较。本文可用于统计、机器学习、强化学习和计算物理的不同领域。
2020-11-02 physics.comp-ph physics.data-an stat.ME
Wasserstein de-initialization for Markov chains
University of Passau（帕绍大学）
本文将去初始化框架从全变差距离推广到Wasserstein距离，用于分析吉布斯采样、关键变量采样和切片采样的收敛行为。
2026-10-08 math.PR math.ST stat.TH
A Latent Slice Sampling Algorithm
在本文中，我们介绍了一种新的采样算法，它有可能被采用作为一个通用的替代梅特罗波利斯-黑斯廷斯算法。它与切片采样器有关，并且由适用于离散概率分布的算法驱动，该算法可以被视为该设置中的梅特罗波利斯-黑斯廷斯算法的替代方案，该算法避免了对建议分布的需要，因为它没有接受/拒绝分量。本文着眼于连续对应。隐变量与切片采样器和应用于均匀密度函数的收缩过程相结合，创建了一个高效的采样器，该采样器可以从非常高维的分布作为单个块生成随机变量。
2020-10-16 stat.CO
Exact slice sampler for Hierarchical Dirichlet Processes
我们提出了一种用于分层狄利克雷过程（HDP）及其相关混合模型的精确切片采样器（Teh等人，2006年）。虽然有现有的MCMC算法的采样从HDP，切片采样器已失踪的文献。切片采样以其理想的特性而闻名，包括其快速混合和其自然的并行化潜力。另一方面，HDPs的分层性质对采用成熟的切片采样器提出了挑战，该采样器自动截断所有涉及的无限测量而无需特别修改。在这项工作中，我们采用贝叶斯变量增强的强大思想来应对这一挑战。通过引入新的隐变量，我们得到了适合于切片抽样的联合分布的全因子分解。我们的算法有几个吸引人的特点，如（1）快速混合;（2）保持精确，同时允许自然截断的基础无限维措施，如（Kalli等人，2011），导致在每次迭代中仅更新有限数量的必要原子和权重;以及（3）自然地适合于并行实现。全似然联合因子分解的基本原理很简单，可以应用于许多其他设置，例如为一般相关Dirichlet过程（DDP）模型设计采样算法。
2019-03-21 cs.LG stat.CO stat.ML
Optimisation via Slice Sampling
在本文中，我们开发了一种基于模拟的方法，使用切片采样多模态函数的优化。我们的方法指定的目标函数作为玻尔兹曼分布的能量潜力，然后我们使用辅助指数切片变量提供各种能量水平的样本。我们的切片采样器在增强切片区域上均匀绘制。我们通过将链的路径投影回底层空间来识别全局模式。四个标准的检验函数被用来说明的方法：Rosenbrock，Himmelblau，Rastrigin，和舒伯特。这些功能证明了我们的方法的灵活性，因为它们包括功能与长脊（Rosenbrock），多模态（Himmelblau，舒伯特）和许多本地模式占主导地位的一个全球（Rastrigin）。此处描述的方法在{ \tt R}软件包{ \tt McmcOpt}中实现。
2012-12-10 math.OC stat.CO
Geodesic slice sampling on Riemannian manifolds
本文提出测地切片采样方法，将 Hit-and-run 切片采样推广到黎曼流形，用于矩阵值参数贝叶斯推断，无需梯度信息即可稳健处理各向异性目标分布。
2025-08-22 math.PR stat.AP stat.CO
Transitional annealed adaptive slice sampling for Gaussian process hyper-parameter estimation
代理模型在科学和工程中已经变得无处不在，因为它们能够模拟昂贵的计算机代码，这是建模和研究复杂现象所必需的。基于高斯过程的贝叶斯仿真器充分量化了由原始仿真器的成本导致的不确定性，从而无法在整个输入空间上对其进行评估。然而，在文献中常见的是，仅进行部分贝叶斯分析，由此通过无梯度优化或遗传算法来估计潜在的超参数，仅举几个方法。另一方面，最大后验概率（MAP）估计可能会丢弃超参数空间的重要区域。在本文中，我们进行了一个更完整的贝叶斯推断，结合切片抽样与最近发展的序贯蒙特卡罗抽样。由此产生的算法通过延迟拒绝，包括类似于渐近独立马尔可夫采样和并行化通过过渡马尔可夫链蒙特卡罗的退火方案，提高了混合的采样。给出了与高斯过程超参数估计有关的实例。出于可重复性、进一步开发和在其他应用中使用的目的，本文中生成示例的代码可从http://github.com/agarbuno/ta2s2_codes免费下载
2017-08-01 stat.CO
Nested Sampling with Slice-within-Gibbs: Efficient Evidence Calculation for Hierarchical Bayesian Models
Kavli Institute for Cosmology Cambridge, University of Cambridge（剑桥大学卡弗里宇宙学研究所）；Institute of Astronomy, University of Cambridge（剑桥大学天文学研究所）
NS-SwiG是一种用于分层贝叶斯模型的高效证据计算算法，通过切片内吉布斯核和似然预算分解提升高维模型的采样效率和证据估计精度。
2026-02-19 astro-ph.IM stat.CO stat.ME
Comparison of Step Samplers for Nested Sampling
使用嵌套抽样的贝叶斯推断需要似然限制先验抽样方法，该方法从超过似然阈值的先验分布中抽取样本。对于高维问题，已经提出了马尔可夫链蒙特卡罗导数。我们数值研究了基于切片采样，打了就跑和差分进化算法在椭球，非椭球和非凸问题从2到100维的10个算法。混合能力的评价与嵌套抽样收缩试验。这使得我们的结果有效的独立于如何重尾后验。给定相同数目的步骤，切片采样的性能优于打了就跑和白化切片采样，而白化打了就跑不提供良好的结果。沿着活点对的差分向量提出也导致了最高的效率，并且对于多模态问题似乎很有希望。在UltraNest嵌套采样包中实现了测试建议，从而实现了与天文学，宇宙学，粒子物理学和天文学相关的一大类实际推理问题的有效低维和高维推理。
2023-02-10 astro-ph.IM stat.CO
Efficient sampling for Gaussian linear regression with arbitrary priors
本文提出了一种适用于任意先验贝叶斯线性回归模型的切片抽样方法。新的采样器有两个优点，目前的方法。第一，如果回归变量的数量很大，它比许多依赖于辅助潜变量的自定义实现更快。第二，它可以与任何先验一起使用，其密度函数可以被评估为归一化常数，使其成为研究新收缩先验属性的理想选择，而无需开发自定义采样算法。新的采样器利用特殊结构的线性回归的可能性，使其能够产生更好的有效样本量每秒比常见的替代方法。
2018-06-14 stat.CO stat.ML
Identification in Bayesian Estimation of the Skewness Matrix in a Multivariate Skew-Elliptical Distribution
Harvey et al.（2010）将Sahu et al.（2003）的贝叶斯估计方法扩展到具有一般偏度矩阵的多元偏椭圆分布，并将其应用于具有更高矩的贝叶斯投资组合优化。虽然他们的方法是划时代的，因为它可以处理资产收益之间的偏度依赖关系，并将更高的时刻到投资组合优化，它不能识别偏度矩阵中的所有元素，由于吉布斯采样器中的标签切换。为了处理这个识别问题，我们建议修改他们的采样算法，通过对多元斜椭圆分布的偏度矩阵施加正下三角约束和改进的可解释性。此外，我们提出了一个贝叶斯稀疏估计的偏度矩阵与马蹄之前，以进一步提高精度。在仿真研究中，我们证明了所提出的方法与识别约束可以成功地估计的真实结构的偏度依赖，而现有的方法遭受的识别问题。
2021-08-09 q-fin.PM stat.CO stat.ME
Sampling from Dirichlet process mixture models with unknown concentration parameter: Mixing issues in large data implementations
本文研究了一般的带浓度参数α的Dirichlet过程混合模型的马尔可夫链蒙特卡罗抽样问题。本文介绍了一种结合Walker（2007）的切片采样方法和Papaspiliopoulos和Roberts（2008）的回顾采样方法的吉布斯抽样算法。我们的通用算法是作为有效的开源C++软件实现的，可作为R包使用，并且基于类似于Papaspiliopoulos（2008）提出并由Yau等人（2011）实现的阻塞策略。我们讨论的困难，实现良好的混合MCMC采样器的这种性质和调查的敏感性初始化。我们还考虑了当添加额外的层次结构层时的挑战，以便在alpha上进行联合推理。我们引入了一个新的标签切换移动和计算后验边缘模型，以帮助克服这些困难。我们的工作说明使用配置文件回归（Molitor等人，2010年）的应用程序，在那里我们证明了良好的混合行为的合成和真实的例子。
2014-02-20 stat.CO
