独立 Metropolis 是否能胜过朴素蒙特卡罗？
内容提要
本文提出了一种基于梯度信息的非参数控制变量扩展方法，显著降低方差，适用于层次模型和非线性常微分方程。同时，研究探讨了无偏Metropolis-Hastings采样器的优化、Quasi-Monte Carlo采样的方差减少方法及其在复杂分布学习中的应用，展示了多种算法在贝叶斯建模和条件独立性测试中的有效性。
延伸解读
梯度信息控制变量：方差降低的新途径
文章提出一种基于梯度信息的非参数控制变量扩展方法，不要求采样密度归一化，却能显著降低方差，并比传统控制变量法更快达到固定精度。该方法适用于层次模型和非线性常微分方程模型，为复杂贝叶斯计算提供了更高效的方差缩减工具。
无偏Metropolis-Hastings：优化不可行目标密度
针对不可行目标密度的优化问题，文章提出一种无偏Metropolis-Hastings采样器，融合随机区分与马尔可夫链耦合方案，使过程无偏、低方差且自动化。该方法在高斯混合模型和Ising模型的热容最大化中展示了应用潜力。
Quasi-Monte Carlo与神经网络控制变量
文章探讨了基于Quasi-Monte Carlo采样的方差减少方法，有效提升Monte Carlo梯度估计器的性能。同时，基于神经网络学习的控制变量方法在热力学积分和强化学习等数值计算中显著减少方差，为蒙特卡罗估计提供了新思路。
条件独立性测试与因果发现的理论保证
基于非参数Von Mises估计器设计的VM-CI条件独立性测试，在光滑性假设下达到最优参数速率，并首次为连续变量因果发现提供了样本复杂度保证。实验表明，VM-CI在时间与样本复杂度上优于常见测试，提升了结构学习性能。
Q&A
什么是基于梯度信息的非参数控制变量扩展方法？
这是一种显著降低方差的采样方法，适用于层次模型和非线性常微分方程，无需归一化采样密度。
无偏Metropolis-Hastings采样器的优化方法是什么？
通过概率推理优化不可行目标密度，结合随机区分和马尔可夫链耦合方案，使过程无偏、低方差和自动化。
Quasi-Monte Carlo采样的方差减少方法有什么优势？
该方法有效提高了Monte Carlo梯度估计器的性能，经过实验验证其有效性。
如何通过最小化KL散度来近似复杂分布？
使用参数分布模型（如高斯混合模型）来近似不可解的分布，解决计算复杂性和非可导优化问题。
Markovian score climbing (MSC)算法的应用是什么？
该算法用于可靠地最小化包含KL散度的目标，展示了在贝叶斯回归和金融数据模型中的效用。
VM-CI条件独立性测试的特点是什么？
在光滑性假设下，VM-CI达到了最优的参数速率，并证明了其样本复杂度保证，性能优于其他常见测试。
