We consider a discrete-time markov chain $\boldsymbol{\Phi}$ on a general
state-space ${\sf X}$, whose transition probabilities are parameterized by a
real-valued vector $\boldsymbol{\theta}$. Under the assumption that
$\boldsymbol{\Phi}$ is geometrically ergodic with corresponding sta
本文提出了一种新颖的敏感性分析方法，针对参数健壮的马尔可夫链，基于概率分布，对转移概率的偏导数进行度量，并提出了高效的方法来计算这些偏导数，同时展示了一个扩展方法来选择具有最大偏导数的 k 个参数，该方法基于线性规划并绕过参数值计算这些程序的不同部分。实验表明，该方法具有扩展性和应用性，适用于具有数百万状态和数千参数的模型，并应用于从敏感性分析中获取迭代学习方案中的收益。