Higher-Order Hit-&-Run Samplers for Linearly Constrained Densities
Forschungszentrum Jülich（于利希研究中心）；Department of Statistics, LMU Munich（慕尼黑大学统计系）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
本文提出一种结合高阶信息与Hit-&-Run机制的约束采样算法，提升复杂约束密度下的采样效率。
2026-07-17 q-bio.QM stat.AP stat.CO
Importance sampling approach to chance-constrained DC optimal power flow
尽管有显著的经济和生态影响，但更高水平的可再生能源发电导致电力注入的不确定性和可变性增加，从而影响电网的可靠性。为了提高电网安全性，研究了联合机会约束直流最优潮流问题。该问题的目的是找到经济上最佳的发电，同时保证所有的发电，线路流量和电压同时保持在其范围内与预定义的概率。不幸的是，即使可再生能源波动的分布是指定的，这个问题在计算上是棘手的。此外，现有的联合CC最优潮流问题的近似解过于保守，因此对实际操作的价值不大。本文提出了一种重要性采样的CC DC最优潮流问题的方法，它产生更好的复杂性和准确性比目前的最先进的方法。该算法有效地减少了场景的数量，只生成和使用其中最重要的，从而使实时解决方案的测试用例多达几百个总线。
2021-11-23 math.OC stat.CO
Sampling with Shielded Langevin Monte Carlo Using Navigation Potentials
Rice University, USA 4cm \' E cole polytechnique, Institut Polytechnique de Paris, FR
本文提出屏蔽Langevin蒙特卡洛方法，通过结合空间自适应温度和排斥漂移，实现对非凸空间中约束分布的有效采样，并在高斯混合和MIMO检测中验证了其有效性。
2025-12-15 cs.LG stat.CO stat.ML
Resampling Strategy in Sequential Monte Carlo for Constrained Sampling Problems
序贯蒙特卡罗（SMC）方法是一类用于以序贯方式获得高维随机变量的随机样本的蒙特卡罗方法。在应用程序中遇到的许多问题通常涉及不同类型的约束。这些限制可能使问题更具挑战性。在本文中，我们制定了一个通用的框架，使用SMC约束抽样问题的基础上向前和向后的导频响应策略。我们回顾了一些现有的方法的框架下，开发了几个新的算法。注意，所有观察到的或施加在底层系统上的信息都可以被视为约束。因此，本文中概述的方法可以在许多应用中是有用的。
2018-12-19 stat.ME
Non-Reversible Langevin Algorithms for Constrained Sampling
University of California, Irvine（加利福尼亚大学欧文分校）；Florida State University（佛罗里达州立大学）；Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
针对约束域上目标分布的采样问题，提出带斜反射边界的不可逆朗之万动力学SRNLD及离散化算法SRNLMC，证明其在收敛速率上优于可逆动力学，并通过实验验证了有效性。
2025-04-15 cs.LG math.PR stat.CO
Controlled Accuracy Gibbs Sampling of Order Constrained Non-IID Ordered Random Variates
从$m$独立但不相同分布的随机变量产生的顺序统计量通常通过以递增顺序排列一些$X_{1}, X_{2}, \ldots, X_{m}$来构造，其中$X_{i}$具有分布函数$F_{i}(x)$，表示为$X_{(1)} \leq X_{(2)} \leq \ldots \leq X_{(m)}$。在这种情况下，$X_{(i)}$不一定与$F_{i}(x)$相关联。假设可以模拟来自每个分布的值，则可以通过从$F_{i}$模拟$X_{i}$（对于$i=1,2,\ldots, m$）并按顺序排列它们来生成这种“非iid”顺序统计量。本文考虑模拟有序值$X_{(1)}, X_{(2)}, \ldots, X_{(m)}$使得$X_{(i)}$的边际分布为$F_{i}(x)$的问题。这个问题出现在贝叶斯主成分分析（BPCA）中，其中$X_{i}$是有序的特征值，这些特征值是后验独立的，但不是同分布的。我们提出了一种新的耦合从过去的算法“完美”（可计算的精度顺序）模拟这样的{ \emph{order-constrained non-iid} }顺序统计。我们证明了我们的方法的有效性的几个例子，包括BPCA问题。
2021-11-12 stat.CO
Kinetic Langevin Splitting Schemes for Constrained Sampling
City University of Hong Kong（香港城市大学）
本文提出基于动能 Langevin 动力学的新型采样算法，结合分裂阶数方案，提升计算效率和收敛性，通过数值实验验证了在带约束模型中的优越性能。
2026-03-31 cs.NA math.NA stat.ME
Sequentially Constrained Monte Carlo
约束可以从广义上解释为对参数的任何类型的显式限制。虽然某些约束直接在参数空间上定义，但当它们由模型上的已知行为定义时，将约束转换为参数空间上的特征可能是不可能的。由于将约束结合到模型中而导致难以从后验分布进行采样是导致参数空间中的截断和低效采样算法的常见挑战。我们提出了一个变种的序贯蒙特卡罗算法的后验抽样存在的约束，通过定义一个序列的密度，通过施加的约束。从无约束或轻度约束分布生成的粒子经过过滤并通过采样和重采样步骤移动，以从完全约束的目标分布中获取样本。一般和模型特定形式的约束执行策略的定义。顺序约束蒙特卡罗算法证明了由函数的单调性定义的约束，密度约束到低维流形，坚持理论推导的模型，和模型特征匹配。
2015-02-25 stat.ME
Accelerating Constrained Sampling: A Large Deviations Approach
School of Mathematics, Shanghai University of Finance and Economics（上海财经大学数学学院）；FinTech Thrust, Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）金融科技学域）；Department of Mathematics, Florida State University（佛罗里达州立大学数学系）
本文提出通过大偏差原理分析约束采样中的Skew-Reflected非可逆 Langevin 采样方法，通过设计特定对称矩阵加速收敛并降低渐近方差。
2026-04-05 cs.LG math.PR stat.ML
Perfecting MCMC Sampling: Recipes and Reservations
本文是为《马尔可夫链蒙特卡洛手册》第二版撰写的综述，旨在完善MCMC采样方法，并诚邀读者提出改进建议。
2024-01-04 stat.CO
Constrained Sampling with Primal-Dual Langevin Monte Carlo
University of Stuttgart（斯图加特大学）；ETH Zürich（苏黎世联邦理工学院）；CREST, ENSAE, IP Paris（CREST、ENSAE、巴黎理工学院）
针对带非线性期望统计约束的分布采样问题，提出离散时间原始-对偶 PD-LMC 算法，并在凸性与对数 Sobolev 不等式假设下证明其收敛性。
2025-01-07 cs.LG math.OC stat.ML
Unbiased constrained sampling with Self-Concordant Barrier Hamiltonian Monte Carlo
École polytechnique（巴黎综合理工学院）；Institut Polytechnique de Paris（巴黎综合理工学院联盟）；ENS（巴黎高等师范学校）；PSL University（巴黎文理研究大学）
本文提出障碍哈密顿蒙特卡洛（BHMC）方法，通过引入基于自和谐障碍的Hessian度量和对合检查步骤，解决了黎曼流形上HMC采样中因不可分离常微分方程导致的偏差问题，实现了多胞体上约束分布的无偏采样。
2023-10-28 cs.LG math.PR stat.ML
Monte Carlo based Designs for Constrained Domains
空间填充设计是研究各个科学领域复杂系统的核心。它们用于获得对输入空间响应行为、模型构建和不确定性量化的全面理解。在许多应用中，对输入施加一组约束，从而导致非矩形且有时非凸的输入空间。文献中的许多现有设计构造技术依赖于目标空间上的一组候选点。在高度受限的区域上生成样本可能是一项具有挑战性的任务。我们提出了一种基于序贯蒙特卡罗的采样算法，该算法是专门设计用于在约束区域上均匀采样的。此外，审查的蒙特卡罗为基础的设计算法和抽样算法的性能，以及选择的设计方法，通过例子说明。
2016-08-08 stat.ME
Sampling constrained probability distributions using Spherical Augmentation
具有约束概率分布的统计模型在机器学习中非常丰富。一些示例包括具有范数约束的回归模型（例如，Lasso）、probit、许多copula模型和潜在狄利克雷分配（LDA）。贝叶斯推断涉及概率分布局限于约束域可能是非常具有挑战性的常用的抽样算法。在本文中，我们提出了一种新的增强技术，通过将约束域映射到增强空间中的球体来处理各种约束。通过在这个球体的表面上自由移动，采样算法隐式地处理约束，并生成在映射回原始空间时保持在边界内的建议。我们提出的方法，称为{球面增强}，提供了一个数学上自然和计算效率的框架，从约束概率分布采样。我们展示了我们的方法的优势，国家的最先进的采样算法，如精确的哈密顿蒙特卡罗，使用几个例子，包括截断高斯分布，贝叶斯套索，贝叶斯桥回归，重建量化平稳高斯过程，和LDA主题建模。
2015-06-19 stat.CO stat.ML
Environmental Economics and Uncertainty: Review and a Machine Learning Outlook
环境科学中的经济评估关注环境影响、适应性和脆弱性的测量或评估。综合评估模型是环境经济学的一个统一框架，它试图将物理、生态和社会经济系统的关键要素结合起来。综合评估中的不确定性特征因组成模型而异：与机械物理模型相关的不确定性往往通过模拟或蒙特卡罗抽样的集合进行评估，而与影响模型相关的不确定性则通过推测或计量经济学分析进行评估。流形采样是一种机器学习技术，它构造所有相关变量的联合概率模型，这些变量可以集中在低维几何结构上。与传统的密度估计方法相比，流形抽样方法具有更高的效率，特别是当数据由少数潜变量产生时。流形约束联合概率模型有助于回答从预测到响应和预防的决策问题。采用管汇取样法对墨西哥湾海上钻井进行风险评估。
2020-04-24 econ.GN physics.ao-ph q-fin.EC
Piecewise Deterministic Sampling for Constrained Distributions
Maxwell Institute for Mathematical Sciences（麦克斯韦数学科学研究所）；Heriot-Watt University（赫瑞瓦特大学）；University of Edinburgh（爱丁堡大学）
本文提出了一类新的分段确定性马尔可夫过程，用于从凸集上的概率分布采样，结合对偶映射概念，提供无偏样本并支持精确子采样，优于现有随机微分方程方法。
2026-04-30 math.PR stat.CO
CDsampling: An R Package for Constrained D-Optimal Sampling in Paid Research Studies
本文提出 R 包 CDsampling，将最优设计理论引入约束抽样，支持 D-最优近似/精确分配、约束均匀抽样及 Fisher 信息矩阵计算。
2025-08-31 stat.AP stat.CO
An Efficient Scheme for Sampling in Constrained Domains
创建最佳采样器可能是一项具有挑战性的任务，特别是在存在参数支持约束的情况下。减轻这一挑战的严重性的一种方法是使用转换变量，其中支持更有利于采样。在这项工作中，一个特定的转换称为反演在一个领域是嵌入在流行的大都会黑斯廷斯范式有效地在这种情况下采样。该方法被示出在三个域：标准的单纯形（总和为一的约束），一个部门的$n$球，超立方体。该方法的性能进行评估，使用模拟研究与现有文献中的策略进行比较。
2021-10-21 stat.CO stat.ME
A Novel Constrained Sampling Method for Efficient Exploration in Materials and Chemical Mixture Design
IMDEA Materials Institute（IMDEA材料研究所）
CASTRO是一种用于材料和化学混合设计中高效探索的新型约束采样方法，通过分而治之策略和多维均匀采样提升效率，适用于受约束的小到中等维度空间。
2025-02-19 cond-mat.mtrl-sci physics.data-an stat.AP
Fast sampling from constrained spaces using the Metropolis-adjusted Mirror Langevin algorithm
Yale University（耶鲁大学）
本研究提出Metropolis-adjusted Mirror Langevin算法，通过给Mirror Langevin算法添加接受-拒绝滤波器实现约束空间无偏近似采样，在误差容忍度上取得指数级提升，且有理论上界和实验验证。
2024-06-21 cs.DS cs.LG math.ST
High-accuracy sampling from constrained spaces with the Metropolis-adjusted Preconditioned Langevin Algorithm
提出Metropolis调整预条件Langevin算法，用于受限空间高精度采样，通过Metropolis-Hastings滤波改进预条件Langevin链，证明在更强自协调条件下混合时间维度依赖更优，并实验验证实用性。
2025-02-25 math.ST stat.CO stat.ML
Manifold Sampling via Entropy Maximization
Technische Universität Berlin（技术大学柏林）；Robotics Institute Germany（德国机器人研究所）
本文提出MASEM方法，通过熵最大化在未知断开组件数的流形上高效采样，提升约束采样问题的混合速度和效率。
2026-10-23 cs.AI cs.LG stat.CO
