基于 Hamiltonian 蒙特卡罗法的分层模型
本综述详细介绍哈密尔顿蒙特卡罗的理论基础，聚焦于发展和优化方法的原理性直观理解，为实践者和统计学家提供了哈密尔顿蒙特卡罗的工作原理，成功时和失败时的坚实掌握。
Jan, 2017
使用贝叶斯方法从数据中学习决策树是一项具有挑战性的任务，本文研究了使用 Hamiltonian Monte Carlo 方法来更高效地探索贝叶斯决策树的后验概率，并通过与标准数据集的比较展示了其在预测测试准确率、接受率和树复杂度方面的优势。
Dec, 2023
提出了一种新型的两阶段哈密顿蒙特卡罗算法，通过使用一个廉价的可微分代理模型计算接受率，在第二阶段使用高保真度（HF）数值求解器评估后验分布，以高效地逼近后验梯度并产生准确的后验样本，成功地解决了哈密顿蒙特卡罗算法在计算和统计效率方面的限制，并在计算后验统计量时保持或改进准确性。
May, 2024
本文提出了第一步: Probabilistic Path HMC，该算法可以在具有错综复杂结构的空间中进行采样分布，并使用该算法对一些结构复杂的空间（如 Phylogenetic Trees）进行了有效实现。
Feb, 2017
本研究提出了一种使用 Hamiltonian Monte Carlo 算法中的 MCMC 步骤来改善后验分布逼近的方法，并通过实验结果证明了这种方法的理论优势和性能改进。
Sep, 2016
利用多层次马尔可夫链蒙特卡洛 (MCMC) 抽样算法的低保真机器学习模型，本文提出了一种有效的方法来加速大规模问题的抽样。通过在层次结构框架中将高保真模型与低保真模型相结合，我们的方法提供了一种计算高效的替代方案，以改善样本的接受率。我们的技术在地下水流问题中获得了相似的准确性，同时将多层抽样加速了两倍。
May, 2024
本文提出了一个新的度量来改进 Riemannian Manifold Hamiltonian Monte Carlo (RMHMC) 在分析上具有困难的模型应用的限制，验证了该度量在一种模拟许多分层和潜在模型的分布上取得的成功。
Dec, 2012
本研究使用 Markov chain Monte Carlo 算法通过局部探索复杂的统计分布进行模拟，加速收敛的技术包括 tempering 和 Hamiltonian Monte Carlo 等方法。
Apr, 2018
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
本文介绍了 Hamiltonian Monte Carlo 算法的理论和实践方面，并提出了一些改进，包括使用状态窗口来决定接受或拒绝、使用快速逼近计算轨迹、在轨迹过程中进行调温处理以处理孤立模式和防止无用轨迹占用大量计算时间的快捷方法。
Jun, 2012