使用 Birth-Death 过程和探索组件加速 Langevin 采样
本文介紹了通過 Langevin 方法計算分子 N 體系統樣本平均值的計算方法，提出了一種具有較高精度的方法減少樣本抽樣的錯誤，並顯示此方法在分子模擬中具有高效性和簡易性。
Mar, 2012
我们提出了一个结合扩散映射和兰格朗日动力学的生成模型，通过扩散映射近似训练样本的漂移项，并在离散时间的兰格朗日采样器中实现，以生成新样本。通过设置核带宽与未调整的兰格朗日算法中使用的时间步长相匹配，我们的方法有效地解决了通常与时间步长严重随机微分方程相关的稳定性问题。我们的框架可自然地扩展到生成条件样本。通过对合成数据集和随机子网格尺度参数化条件采样问题进行实验，我们验证了我们提出的方案的性能。
Jan, 2024
该研究探讨了 Langevin 动力学在多模态分布中生成样本的能力以及它的模式寻找特性，提出了一种改进方法 ——Chained Langevin Dynamics，以减少其模式寻找的倾向，并通过理论分析和数值实验验证了其有效性。
Jun, 2024
该研究以 Langevin 动力学为例，探究基于梯度流的优化过程中的采样问题，提出了一种降低偏差的新算法 SLA，并证明了在高斯目标测度下它具有一致性。
Feb, 2018
我们提出了离散 Langevin proposal (DLP) 算法，这是一种针对复杂高维离散分布的简单且可扩展的基于梯度的采样算法，相比于基于 Gibbs 采样的方法，DLP 可以同时并行地更新所有坐标，通过步长控制变化的大小，使在高维空间中强相关变量之间的探索更加廉价和高效，在测试中证明了 DLP 的有效性。
Jun, 2022
文章研究了如何使用基于 Langevin 随机微分方程的采样方法，对高维概率分布进行采样， 并通过 Wasserstein 距离和总变差距离获得收敛到平稳状态的非渐进界限。同时，对于测量和有界函数报告了平均均方误差和指数偏差不等式的界限，并提供了二分类回归的贝叶斯推断例证。
May, 2016
本文研究热力学采样的数值方法，其中涉及 Langevin 动力学和过阻尼 Langevin 动力学，并分析了拆分方法的采样偏差和误差估计方法。同时，作者还探讨了过阻尼极限并将该方法应用于驱动系统的采样。
Aug, 2013
本文提出了一种基于 Langevin 恒温器的自适应协方差控制算法，通过有效地耗散依赖于参数的噪声来维持目标分布，从而实现在机器学习应用中相对于其他方案的大幅加速。
Oct, 2015
这篇论文介绍了一种新的从自回归模型中采样的方法，提出了使用 Langevin 动力学构建马尔可夫链的方法，将采样过程并行化，并推广到有条件采样。通过将自回归模型作为贝叶斯先验，并使用条件似然或限制，我们可以控制生成模型的输出，应用这些技术于视觉和音频领域的自回归模型，获得了在声源分离、超分辨与修复等任务上有竞争力的结果。
May, 2021