研究了用于采样强对数凹密度的哈密顿蒙特卡罗方法在实现时，理想状态下的弛豫时间是 O (κ) 时，其松弛时间（谱间隙的倒数）是 O (κ)，这比之前最好的上限 O (κ^1.5) 更优。当使用近乎最优的 ODE 求解器实现时，每一步需要进行 O ((κd)^0.5 (ε^-1)) 个梯度评估，总时间为 O ((κd)^1.5 (ε^-1))，并返回在 2-Wasserstein 距离内的一个 ε- 近似点。

May, 2019

本文研究哈密顿蒙特卡罗方法在采样强对数凹目标分布时的收敛速度，提出了一个比传统李普希茨海森常数条件更宽松的第三阶正则条件，并证明了二阶 “跳跃点” 算法的收敛速度为 $d^{1/4}$，并在合成数据的仿真实验中得到了验证。

Feb, 2018

通过基于梯度范式的均值紧密集中证明了 Metropolized Hamiltonian Monte Carlo 算法在从强 logconcave 分布中进行采样方面的状态最前沿，通过介绍不同于先前文献的限制和新的降低技术，我们提出了高精度混合时间结果， 大大优化了传统的 Metropolized first-order 方法。

Feb, 2020

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

该论文提出了一种上调和蒙特卡洛算法（uHMC），并提供了关于其马尔科夫链混合时间、总变差距离等指标的上限，证明了可在 log 级别的时间内实现精度为 ε 的近似目标分布，最终证明在两种模型下该算法的成功耦合可以实现这些上限。

May, 2021

本文研究 MCMC 算法的 mixing rate 问题，并根据 Poincaré inequality 定理，展示 MCMC 算法在 state space 的 subset 上的条件概率分布上快速逼近真实条件分布的能力，进而探讨该理论在高斯混合模型采样和 Gibbs 采样中的应用。

Jun, 2023

介绍一种名为 Reflective Hamiltonian Monte Carlo (ReHMC) 的 HMC-based 算法，用于从受限于凸体的对数凹分布中进行采样，该算法在高维数据集上表现出色，并在采样时间和精度方面优于其他算法。

Feb, 2021

本文提出了一种近似线性的多元常微分方程算法，用于解决样本采集问题，特别是针对 Hamiltonian Monte Carlo 的多维 logconcave 密度函数，拥有多项式对数深度。

Dec, 2018

提出使用三阶 Langevin 动力学的马尔科夫链蒙特卡罗算法，用于采样具有对数凹和平滑密度函数的分布，并在广义线性模型下证明其结果仅需满足梯度的 Lipschitz 条件

Aug, 2019

通过投影步骤（与投影随机梯度下降类似），我们将 Langevin Monte Carlo（LMC）算法扩展到紧支持测度。我们的主要结果特别表明，当目标分布是均匀分布时，LMC 在 $\tilde {O}(n^7)$ 步内混合。我们还提供初步的实验证据表明，LMC 的表现至少与 hit-and-run 相当，而 Lov {\'a} sz 和 Vempala 证明了更好的混合时间为 $\tilde {O}(n^4)$。

Jul, 2015