自适应独立 Metropolis--Hastings 算法
概率论
2009-03-04 v1
摘要
我们提出了一种自适应独立 Metropolis--Hastings 算法，能够从链中除当前位置外的所有先前提议中学习。它是独立 Metropolis--Hastings 算法的扩展。在满足强 Doeblin 条件的情况下证明了其收敛性，该条件本质上要求所有提议函数的尾部一致重于平稳分布。如果间歇性地使用依赖于当前状态的提议，只要来自这些迭代的信息不用于自适应，该证明依然成立。该算法在有限次迭代内以任意接近 1 的概率给出来自精确分布的样本。当需要来自同一分布的大量样本时，例如在贝叶斯估计中，以及在计算密集型应用中（例如逆问题和优化），该算法尤为有用。
引用
@article{arxiv.0903.0483,
title = {Adaptive independent Metropolis--Hastings},
author = {Lars Holden and Ragnar Hauge and Marit Holden},
journal= {arXiv preprint arXiv:0903.0483},
year = {2009}
}
备注
Published in at http://dx.doi.org/10.1214/08-AAP545 the Annals of Applied Probability (http://www.imstat.org/aap/) by the Institute of Mathematical Statistics (http://www.imstat.org)