本文介绍了一种新的基于非可逆马尔可夫链蒙特卡洛算法的类别，利用连续时间分段确定性马尔可夫过程。这些算法基于确定性动力学演化标记过程的状态，同时利用马尔可夫转移核来改变其状态。通过使用这些算法，只有子集状态被更新，导致其他组件的状态隐含不显，另外，利用无偏估计对数目标时，这些算法保持目标不变。本文提出新的 MCMC 方法来解决这些限制，并在多种应用中展示了这些方案的性能。
Jul, 2017
该文提出了一种基于马尔科夫链蒙特卡罗方法的新型推断算法，用于在连续时间模型中获得精确的后验过程的样本，实现了贝叶斯参数估计，并估计了扩散协方差。
May, 2022
该研究介绍了一种新颖的连续时间马尔可夫链混合模型，重点研究了观察路径长度和混合参数对问题范畴的影响，并通过实验证明了离散化连续时间路径对混合模型的可学习性有重要影响，为不同问题情境下的算法选择提供了关键见解。
Feb, 2024
本文介绍了在贝叶斯分析中后验计算的主要范例：马尔可夫蒙特卡罗方法。我们提出了一种最优化方法，将计算时间和近似误差结合起来，并在均匀混合马尔可夫链的设置中进行了广泛的推广，表明了好的近似在实际应用中的重要性，如 $n$ 个逻辑回归和高斯处理的低秩逼近。
Aug, 2015
Markov 链蒙特卡洛 (MCMC) 是推断隐藏马尔可夫模型的可行方法，但由于参数空间中蒙特卡洛采样器在不确定区域内随机采取小步骤，受维度诅咒的约束往往导致计算上的限制。我们首次将目标的后验分布视为样本在无限维欧几里得空间中的映射，其中嵌入了确定性子流形，并提出了一种通过最大化加权里捷极化量来离散化可矩阵流形的新准则。我们研究了 Chebyshev 粒子的特性，并将它们嵌入到连续的 MCMC 中，这是一种高接受率的新型采样器，只提出了少量评估。我们在合成数据的线性高斯状态空间模型和真实数据的非线性随机波动率模型的参数推断实验中取得了高性能。
Sep, 2023
本文介绍了关于马尔可夫链的多种结果，包括马尔可夫链的蒙特卡罗算法，几何和均匀遍历性的充分条件，收敛到稳态的速率的量化界限，以及 Metropolis-Hastings 算法的最优缩放和弱收敛结果。
Apr, 2004
本文介绍了基于连续时间 Markov 过程的 Monte Carlo 方法的新发展，包括通过连续时间的 MCMC 和 SMC 算法，实现大数据后验分布采样的方法，以及如何使用子采样和解决效率问题。
Nov, 2016
本文介绍了一种利用 Gibbs sampler 并基于均一化思想从马尔可夫跳过程的后验分布模拟路径的方法，并表明该方法在 MJP 模型上表现良好。
Aug, 2012
该研究提出了第一个完整的离散数据扩散模型去噪声的连续时间框架，使用连续时间马尔可夫链模型可以有效地训练模型，利用高维 CTMC 模拟技术和连续时间框架可导出高性能抽样器，超越了离散时间方法。此外，还得到了关于生成样本分布与真实数据分布之间误差的新理论结果。
本文提出了基于 Gibbs 采样的快速辅助变量算法，利用 uniformization 方法和隐式马尔可夫模型来推断这些模型中的未观测路径，并通过在一系列连续时间贝叶斯网络上展示了比最先进的 Gibbs 采样算法更显著的计算优势。
Feb, 2012