证明对于任何支撑直径为 D 的 n 维吸收对称对数凹密度的对数 Sobolev 常数都是 1/D, 并基于此推导出一系列相关结论，如任何吸收对称对数凹密度上的球步行的混合时间，以及涉及中位数 / 平均值的大偏差不等式。

Dec, 2017

证明 KLS 猜想中等渗系数的下界基本保持不变，具有维度依赖性为 d^{-o_d (1)}, 并且优于先前依赖维度的最佳下界，有多种应用包括改进 Bourgain 的切片猜想和薄壳猜想的最佳下界，对于对数凹测度的 Lipschitz 函数具有更好的集中不等式，以及对于基于对数凹测度的 MCMC 采样算法具有更好的混合时间界限。

Nov, 2020

证明了通过多尺度构造和具有与 Wishart 矩阵类似的查询下界技术，可以在任何常数维度下通过块 Krylov 算法最优地采样具有强对数凹和对数平滑分布的分布，同时连接到高斯分布的具有误差的查询下界。

Apr, 2023

使用 Langevin 扩散过程进行离散化的蒙特卡洛算法可用于对光滑且强对数凹密度进行采样，本文主要研究了这个框架，并证明了基于 kinetic Langevin 扩散的 Monte Carlo 算法的混合性质和采样质量，进一步证明了 Hessian 矩阵 Lipschitz 连续的情况下，使用新的离散化方法可以显著提高采样误差的上界。

Jul, 2018

我们以具有未知均值的高斯分布的抽样为动机示例，通过扩散生成模型提供了在强对数凹数据分布假设下的收敛性行为的全面理论保证。我们的评估函数类使用的逼近是利普希茨连续函数，同时通过与相应的抽样估计相结合，对于与数据分布之间的 Wasserstein-2 距离等关键量感兴趣的最佳上界估计提供了显式估计。该论文还引入了基于 L2 准确评分估计假设的结果，以适用于各种随机优化器。该方法在我们的抽样算法上得到了已知的最佳收敛速度。

Nov, 2023

该研究论文讨论了如何使用结构化的 logconcave 样本算法来采样复合密度和 logconcave 有限和，使用近端点方法启发的降维框架来改善问题条件的相关性，并提出了一种获取大量梯度查询乘数的简单算法。

Oct, 2020

该论文研究了在 R^n 的单位球上均匀分布的 m 个独立随机向量的对称凸包的等距常数，并证明了只要 m≥（1+δ）n，就可以高概率地将其界定为一个常数 $c (δ)$。

Jul, 2007

本研究研究了在 $\mathbb {R}^d$ 上采样目标密度的 Metropolis-Adjusted Langevin 算法的混合时间，发现它在一定条件下的混合时间为 $O ((L\Upsilon)^{\frac12}/\psi_\mu^2\log (1/\epsilon))$。

Apr, 2023

我们提出了一种基于随机化算法的方法，用于估计具有会员 Oracle 的圆满凸体的体积。我们还提供了一种有改进的高斯分布采样算法，并分析了采样复杂性。

Sep, 2014

扩散模型对于从高维数据分布中生成近似样本是一个强大的方法。我们提供了第一个以数据维度为线性（在对数因子之内）的收敛界限，只需假设数据分布具有有限的二阶矩。我们证明扩散模型仅需要最多 Δ 步骤，就能以 Kullback-Leibler 差异度在 d 维实数空间上对于方差为 δ 的高斯噪声破坏的任意数据分布进行 ε² 内的近似。

Aug, 2023