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

我们提出了一种新的镜像随机 Langevin 扩散离散化方法，并给出了其收敛性的确定证明。

Oct, 2020

本文针对具有强烈对数凹密度的平滑目标分布的采样问题进行探究，借助随机中点离散化方法，建立可计算的 Wasserstein-2 误差的上界，并基于中点离散化的 Langevin 扩散过程进行分析以明确其基本原理和提供有价值的见解，进而建立起更改进的上界以改进 Euler 离散化的 Langevin 扩散过程。

Jun, 2023

通过几何 Langevin MCMC 从一个 Riemann 流形 M 上的 Gibbs 分布 dπ* 进行高效采样的任务，我们提出了一种在实践中可实现的算法，该算法涉及在随机高斯方向上计算指数映射。通过对几何 Euler-Murayama 方案的离散化误差进行界定，假设▽h 是 Lipschitz 的且 M 具有有界的切向曲率，我们的误差界限与欧几里得 Euler-Murayama 的误差相匹配，结合 Kendall-Cranston 耦合下的几何 Langevin 扩散的收缩保证，我们证明 Langevin MCMC 迭代在经过～O (ε^-2) 次步骤后，与 π* 之间的 Wasserstein 距离小于 ε，这与欧几里得 Langevin MCMC 的迭代复杂性相匹配。我们的结果适用于具有非凸 h 和具有负 Ricci 曲率的一般设置。在额外的假设下，即 Riemann 曲率张量具有有界导数且 π* 满足 CD (・,∞) 条件，我们分析了 Langevin MCMC 的随机梯度版本，并将其迭代复杂性限制在～O (ε^-2) 次。

Feb, 2024

研究了一种从不合适条件的对数凹分布中进行采样的方法，证明了其具有无关维数和目标分布的快速收敛速率，进一步应用于优化中，提供了一种基于内点法的策略来从凸体上分布中进行均匀分布采样，这一方法新颖性的体现在于指出了 chi-squared divergence 的作用，为朴素 Langevin 漂移在 Wasserstein 距离内的收敛提供了新的结果。

May, 2020

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。

Sep, 2017

该研究探讨了优化中将问题的几何形状从欧几里得度量变为黑塞度量的技术，并研究了基于镜面流的镜面 Langevin 算法的偏差收敛性和混合时间界限。研究表明，这种算法可以通过自协调条件来实现收敛。

Sep, 2021

本文研究了基于分 discretizing 类 - Wasserstein 倍数收缩的平滑随机微分取样算法，着重研究了用随机 Runge-Kutta 方法离散过度阻尼 Langevin 方程的取样算法，并表明其迭代次数可达到目标分布的 $2$-Wasserstein 距离，并将分析扩展到具有可能非凸势能的一般扩散过程。

Jun, 2019

该研究将研究重点放在了光滑且强凸目标分布的欠阻尼 Langevin 扩散上，并提出了基于该扩散的 MCMC 算法，证明 2 - 瓦瑟斯坦距离下其误差达到 ε 的时间复杂度是 O (√d/ε)，超越了同样假设下过阻尼 Langevin MCMC 的最佳步骤数，该方法可视为在应用领域中表现优越的 Hamiltonian Monte Carlo 方法的一种。

Jul, 2017

研究 Langevin 扩散在采样、KL - 散度、强凸性、收敛速率等方面的应用，证明在目标密度是 L 光滑且 m 强凸的情况下，该扩散可以在几步内收敛于目标分布，同时揭示了在强凸性假设缺失时的收敛速率。

May, 2017