随机梯度分段确定性蒙特卡罗采样器

提出了一种使用欠阻尼Langevin动力学的Moreau-Yosida近似的新实现方法，具有更好的采样精度。

介绍了基于连续时间Markov过程的Monte Carlo方法的新发展，解决了大数据后验分布的采样问题。

提出了一种新的基于非可逆马尔可夫链蒙特卡洛算法的类别，利用确定性动力学演化标记过程的状态。

RS-DMC算法通过逆扩散过程进行采样，解决了Diffusion-based Monte Carlo中的高梯度复杂度问题。

提出了一种新的状态自适应采样器：随机梯度Riemann Hamiltonian Monte Carlo (SGRHMC)，具有可扩展性。

利用Hamiltonian Monte Carlo方法的广义运动函数改进随机梯度马尔可夫蒙特卡罗采样的效率。

研究了随机梯度HMC，提出了消除噪声梯度影响的二阶Langevin动力学变体。

提出了一种基于Wasserstein梯度流的粒子优化框架，提高了贝叶斯抽样的效率和可伸缩性。

使用随机梯度哈密尔顿蒙特卡洛方法对深层高斯过程模型的非高斯后验分布进行抽样，成为新的最优模型。

介绍了一种利用Gibbs sampler从马尔可夫跳过程的后验分布模拟路径的方法。