本文介绍了非参数 Hamiltonian Monte Carlo 算法（NP-HMC），将 HMC 推广到非参数模型，通过一类称为 “树可表示” 的可测函数作为通用概率编程语言 (PPL) 密度函数的表示，在多个非参数示例中得到了显著的性能提升。

Jun, 2021

本文介绍了一种名为 iMCMC 的框架，它提供了一种统一的视角来描述各种 MCMC 算法，并提供了一些指导新算法设计的技巧。两个例子展示了如何将已知的可逆 MCMC 算法转化为更高效的不可逆算法。

Jun, 2020

该论文描述了一种自动化实现根据概率编程系统中的 Involutive MCMC 核函数的技术，并且利用此技术来检测用户在核函数规范中的错误并利用核函数中的稀疏性以提高效率。

Jul, 2020

介绍 iPMCMC，一种基于标准和条件顺序蒙特卡洛抽样器交互的 PMCMC 方法，通过实证结果证明了相对于非交互式 PMCMC 抽样器和具有等效内存和计算预算的单个 PMCMC 抽样器，iPMCMC 混合速率的显著提高，并适用于分布式和多核架构。

Feb, 2016

本文介绍了一种新的基于非可逆马尔可夫链蒙特卡洛算法的类别，利用连续时间分段确定性马尔可夫过程。这些算法基于确定性动力学演化标记过程的状态，同时利用马尔可夫转移核来改变其状态。通过使用这些算法，只有子集状态被更新，导致其他组件的状态隐含不显，另外，利用无偏估计对数目标时，这些算法保持目标不变。本文提出新的 MCMC 方法来解决这些限制，并在多种应用中展示了这些方案的性能。

Jul, 2017

介绍和证明了一个基于粒子马尔可夫蒙特卡罗的新的推理方法。该方法适用于图灵完备的概率编程语言，支持使用复杂控制流（包括随机递归）的模型的准确推理，并包括来自贝叶斯非参数统计的基元。实验证明，该方法比之前介绍的单一站点 Metropolis-Hastings 方法更有效。

Jul, 2015

本研究提出了一种新的深度生成式建模框架 —— 深度阶元生成模型，并将其用于定义新的快速神经 MCMC 算法 ——Involutive Neural MCMC，该算法可在包含辅助变量的状态空间上，通过易于计算的接受率完成 Metropolis-Hastings 更新，从而高效探索多模态分布和快速收敛。

Jun, 2020

通过先前推理的后验估计，训练一种判别模型，即神经网络，来逼近最优提议分布，最终在 Anglican 概率编程系统中呈现一种非参数模型中基于数据驱动提议的实例，并表明数据驱动提议可以显著提高推理性能，从而需要更少粒子进行良好的后验估计。

Dec, 2015

本文介绍一种基于 Markov chain Monte Carlo 算法的新型模拟算法，具有高效采样复杂分布的性能，并介绍一种方法学和理论框架，证明了边际分布的收敛性和大数定律成立的条件， 并且具有一定的泛化性，适用于目标分布为非平稳分布的情况。

Mar, 2012

使用通用的概率建模语言和泛用的 Metropolis-Hastings MCMC 算法，通过使用部分世界的 MCMC 状态，探索了一种基于上下文特定贝叶斯网络的可通用的 MCMC 引擎，可进行如记录链接和多目标跟踪之类的推理任务。实验结果表明，我们的通用 MCMC 引擎与特定应用系统相比具有较高的吻合度。

Jun, 2012