hamiltonian monte carlo (HMC) is a widely deployed method to sample from
high-dimensional distributions in Statistics and Machine learning. HMC is known
to run very efficiently in practice and its popular second-order "leapfrog"
implementation has long been conjectured to run in $d^{1/
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。
本文研究了从已知平滑和强对数凹概率密度函数中采样的方法, 分析了基于过渡态随机游走的近似采样方法,并提出了几种保证误差的方法, 包括第一阶 Langevin Monte Carlo 算法的误差上界、误差上界和梯度评估不准确的情况, 以及二阶 Langevin Monte Carlo 算法利用 log 密度的海森矩阵的保证。