APES：近似后验集成采样器

本文提出了一种新方法，用于从难以使用马尔可夫链蒙特卡洛（MCMC）方法采样的目标分布中生成样本。传统的 MCMC 算法常因难以找到适合当前问题的提议分布而面临收敛缓慢的问题。为解决此问题，本文引入了近似后验集成采样器（APES）算法，该算法采用核密度估计和径向基插值来创建自适应提议，从而实现链的快速收敛。APES 算法对高维的可扩展性使其成为复杂问题的实用解决方案。所提出的方法生成了一个紧密近似目标分布且易于采样的近似后验概率，从而产生了更小的自相关时间和更高的链接受概率。我们在多种情境下将 APES 算法的性能与带拉伸移动的仿射不变集成采样器进行比较，展示了所提方法的效率。例如，在 Rosenbrock 函数上，APES 的自相关时间比仿射不变集成采样器小 140 倍。该比较展示了 APES 算法在从具有挑战性的分布中生成样本的有效性。本文为从复杂分布中生成样本提供了一个实用解决方案，同时解决了寻找合适提议分布的挑战。随着新的宇宙学巡天即将应对许多新的系统误差，该方法为即将到来的宇宙学分析时代提供了实用解决方案。本文所呈现的算法可在 https://github.com/NumCosmo/NumCosmo 获取。