提出了基于相对论动力学的哈密顿蒙特卡罗方法，通过引入粒子的最大速度解决哈密顿蒙特卡罗在大时间离散化和空间几何不匹配时的性能问题，并开发了基于此的相对论随机梯度下降算法，与深度学习中的优化方法如梯度截断、RMSprop、Adagrad 和 Adam 有趣的关系，实验表明这种算法比经典牛顿变体和 Adam 表现更好。

Sep, 2016

研究了随机梯度 HMC，提出了一种使用带有摩擦项的二阶 Langevin 动力学的变体，以消除噪声梯度的影响，并使用该方法在神经网络和在线贝叶斯矩阵分解任务中验证了其有效性。

Feb, 2014

本文研究 Hamiltonian Monte Carlo 算法及其变种 Metropolized HMC 在连续空间中从光滑概率密度函数中提取样本的能力，并提供了关于混合时间的理论证明和分析。

May, 2019

本研究提出使用基于梯度的学习方法来自适应马尔可夫链蒙特卡罗（MCMC）提议分布，应用随机梯度优化能通过定义的最大熵正则化目标函数来优化提议分布的参数，并证明相比传统自适应 MCMC 方法，该方法带有更高的性能；并应用于多元随机步长 Metropolis 和 Metropolis-adjusted Langevin 提议与完整协方差矩阵，并证实该方法在 MCMC 算法中表现优异，包括哈密顿蒙特卡罗方案。

Nov, 2019

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

该研究提出了一种新颖的学习从离散化动力学中保留某些能量函数的采样器中的质量矩阵的技术。采用以前的动态学习 Monte Carlo EM 框架中的采样步骤中使用的现有动力学，并使用一种新颖的在线技术在 M 步中学习质量矩阵。此外，还提出一种通过从跳字动力学中的采样误差估计自适应设置 E 步中收集的样本数量的方法，使用标准的哈密顿蒙特卡罗 (HMC) 以及新的随机算法，如 SGHMC 和 SGNHT，在合成和真实高维采样场景中表现出强大的性能。

Nov, 2017

研究了高维度混合蒙特卡洛算法中的哈密顿动力学、接受概率、状态空间和维度，表明为了得到接受概率为 O (1) 的最优性能，需要对步长进行适当缩放，并且该算法需要使用 O (d^(1/4)) 步来遍历状态空间。

Jan, 2010

本文提出了一种利用非规范汉密尔顿动力学的优化 HMC 方法，称为磁性 HMC，并通过多个实验例子表明其能相对于普通 HMC 方法显著提高混合效果。

Jul, 2016

介绍了哈密尔顿蒙特卡罗方法 (HMC)—— 基于哈密尔顿动力学的一种采样算法，用于从 Gibbs 密度中采样。重点在于 “理想化” 情况，其中能够精确计算连续轨迹，表明理想化 HMC 能保持 π 并在 f 为强凸和光滑时收敛。

Aug, 2021

提出了一种名为 Mixed HMC (M-HMC) 的新型 MCMC 算法，该算法可并行演化离散和连续变量，以解决 HMC 方法不能应用于具有混合离散和连续变量的分布的基本局限性，并在三个实验中证明了 M-HMC 算法优于现有方法的性能。

Sep, 2019