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

本文提出了一种新的框架来有效地对复杂概率分布进行抽样，使用最优传输映射和 Metropolis-Hastings 规则相结合，通过连续传输将典型的 Metropolis 提议机制转换为非高斯提议分布，从而更有效地探索目标密度，并在众多参数推断问题中表现出数量级的速度优势。

Dec, 2014

介绍了一种利用多尺度分解的贝叶斯推断方法，通过利用条件独立性将计算量高的贝叶斯推断问题分解为两个阶段，并利用最优输运映射来描述粗细尺度数据之间的非高斯联合分布。这种方法在地下水流反演问题上展现出了出色的性能。

Jul, 2015

本文介绍了 Moeller 等人（2004）的辅助变量方案，该方案用于从具有难以处理的归一化常数的分布中进行准确的抽样，并提出了一种新的 MCMC 算法，提高提议分布的接受概率，并在采样之前消除模型参数估计的需求。

Jun, 2012

该研究提出了一种解决在科学领域中使用高级计算机模拟时出现的后验推断问题的新方法，这种方法使用学习的灵活的摊销估计量来近似似然 - 证据比率，并可以嵌入 MCMC 采样器中以从难以处理的后验中获得样本。

Mar, 2019

提出了一种新的贝叶斯推断方法，它完全避免了 Markov 链模拟，通过构建将先验度量向前推到后验度量的映射。通过在最优传输理论的上下文中阐述问题，建立了合适的保持度量的映射的存在性和唯一性。我们讨论了各种显式参数化映射的方法，并通过解决优化问题有效地计算映射，利用前向模型的梯度信息（如果可能）。该方法的优点包括产生后验的解析表达式和能够生成任意数量的独立后验样本而无需进行额外的似然评估或正向求解。该方法还通过自动评估边际似然，提供了后验逼近的明确收敛标准，并促进了模型选择。我们还演示了该方法在不同维度的非线性反问题上的准确性和效率。

Sep, 2011

本研究提出了一种基于 Feynman-Kac 模型和顺序蒙特卡洛方法的算法 MCGdiff，用于解决结构先验在 Score-Based 生成模型中的反问题，并在数值模拟中表现出优越性能。

Aug, 2023

本文提出了一种基于最优先决条件的 Langevin 扩散优化方法，使用 Fisher 信息协方差矩阵作为最优先决条件，通过一种自适应 MCMC 方法从目标函数的梯度历史中学习先决条件，实现了在高维数据中的高效数据采样与处理。

May, 2023

我们提出了一种新的基于传输的方法来高效地进行静态模型参数的顺序贝叶斯推断，该策略基于从参数和数据的联合分布中提取条件分布，通过估计结构化的（例如，块三角形）传输映射。这为似然函数及其梯度提供了明确的代理模型，从而使得可以在无模型、在线阶段通过传输映射对后验密度进行基于梯度的表征。该框架非常适用于包括干扰参数以及当正向模型仅被视为黑盒子时的复杂噪声模型的参数估计。在使用导电测量对冰厚度进行表征的上下文中进行了此方法的数值应用。

Aug, 2023

本研究探讨了马尔可夫链蒙特卡洛（MCMC）方法在主样本空间中的运行及其与多种采样技术的交互作用。将采样技术合并到 MCMC 的状态中会影响其探索路径空间的能力。本研究提出了可逆跳跃 MCMC（RJMCMC）并引入概率倒置技术以解决此问题，从而形成了一种新的扰动，我们称之为可逆跳跃 MLT（RJMLT）。在广泛的场景中验证了我们实现的正确性，并展示了时间上的改进，结构上的漏洞减少以及收敛速度的提高。

Apr, 2017