本文提出了一种快速的随机 Hamilton Monte Carlo 方法，用于从一个光滑而强烈对数凹的分布中进行采样。通过梯度复杂度来衡量算法的性能，实验结果表明，该算法在采样效率上跑赢了现有的 HMC 和 Stochastic Gradient HMC 方法。

Feb, 2018

通过引入不等式约束条件，我们可以采用有限维高斯方法来处理线性不等式集，并探索使用马尔可夫链蒙特卡洛技术来近似后验分布，研究了关于协方差参数估计的约束似然函数的理论和数值特征。实验证明基于哈密顿蒙特卡洛取样器的全框架能够提供有效的数据拟合和不确定性量化结果。

Oct, 2017

该研究论文展示了一种新的用于处理约束目标分布的马尔可夫链蒙特卡罗 (MCMC) 方法，该方法通过映射参数限制域到单位球面完成对参数空间的增广，因此能够在处理约束的同时自由运动于球面上，并且实验证明此方法可以有效的提高计算效率。

Sep, 2013

本文提出了利用 Hamiltonian Monte Carlo 方法的广义运动函数来改进随机梯度马尔可夫蒙特卡罗采样的效率，并讨论了克服这种泛化所引入的实际问题的技术。实验证明，该方法在探索复杂的多峰后验分布方面表现优秀。

Jun, 2017

本文基于一种分段连续的改进二项分布的哈密顿蒙特卡洛算法， 扩展到了二项和截尾高斯或指数变量混合分布的情况，用以采样线性和 probit 回归模型中的后验概率密度，并在多个案例中展示了这些算法的优点，相比于 Metropolis 或 Gibbs 采样器具有更好的性能。

Nov, 2013

提出了一种快速易实现的模拟算法，用于多元正态分布受截断的超平面交集限制，进一步将其推广，以有效地模拟方差（精度）矩阵可分解为正定矩阵减去（加上）低秩对称矩阵的多元正态分布的随机变量。举例说明了所提出的模拟算法的正确性和效率。

Jul, 2016

本文提出了一种扩展的 Hamiltonian Monte Carlo 方法，可有效探索具有不连续密度分布的目标分布，通过将概率质量函数嵌入到连续空间中，特别是能有效从序数参数中采样，我们通过不连续 Hamiltonian 动力学的理论进行了解释，并开发了相应的数值解算器。该求解器是第一种能够完全保持 Hamiltonian 的方法，我们应用了该算法到挑战性的后验推断问题中以证明其广泛适用性和竞争性能。

May, 2017

介绍了哈密尔顿蒙特卡罗方法 (HMC)—— 基于哈密尔顿动力学的一种采样算法，用于从 Gibbs 密度中采样。重点在于 “理想化” 情况，其中能够精确计算连续轨迹，表明理想化 HMC 能保持 π 并在 f 为强凸和光滑时收敛。

Aug, 2021

研究了随机梯度 HMC，提出了一种使用带有摩擦项的二阶 Langevin 动力学的变体，以消除噪声梯度的影响，并使用该方法在神经网络和在线贝叶斯矩阵分解任务中验证了其有效性。

Feb, 2014

本研究提出了一种新的随机梯度马尔可夫链蒙特卡罗方法，通过使用拟牛顿优化方法的思想考虑局部几何，并使用样本和它们的梯度的有限历史直接近似逆海森矩阵。方法使用密集逆海森近似，同时保持时间和内存复杂度与问题的维数成线性关系，我们的理论分析表明，该方法在渐近无偏和一致后验期望的同时，实现了类似于黎曼方法的快速收敛率和对角线预处理方法的低计算要求。

Feb, 2016