我们提出了一种新的准蒙特卡洛机制，用于改进基于图的采样，称为斥力随机游走。通过在相互作用的集合中引入轨迹之间的相关性，使其边际转移概率不变，我们能够更高效地探索图，并提高统计估计量的集中度，同时保持其无偏性。该机制具有简单易用的实现方法。我们展示了斥力随机游走在估计图核、PageRank 向量和图图案集中度等各种环境中的有效性，并提供了详细的实验评估和稳健的理论保证。据我们所知，斥力随机游走是第一个对图上行走者的方向进行严格研究的准蒙特卡洛方案，在这个令人兴奋的初创领域中引发了新的研究。

Oct, 2023

通过自反随机游走（SRRW）设计的随机游走者，结合采样和邻域探索的马尔可夫链蒙特卡罗（MCMC）过程，近似目标分布，并在一定程度上提高采样方差

May, 2023

使用一种非线性 Markov 链 - 即自排斥随机游走（SRRW）驱动分布式随机优化算法，证明了该算法的迭代误差趋于零，同时导出了迭代误差对应的渐近协方差矩阵的显式形式。

Jan, 2024

本文提出一种新的机制，通过采用反向终止方法，在算法的随机游走长度之间产生负相关性，从而改善最近引入的图形随机特征（Graph random features，GRFs）类的准蒙特卡洛（quasi-Monte Carlo，q-GRFs ）在稍加限制下证明了它们在 2 - 正则拉普拉斯核的较低方差估计器效果，并在多种任务上展示了实证精度提高。

May, 2023

本文推广了 Metropolis 算法，使其适用于能量受噪声干扰且只能估计的情况，并提出了基于惩罚方法改进接受概率的方案，实现了对强噪声进行准确采样。该方法在了解方差只能近似估计的情况下通过近似公式，在独立估计数量大的情况下取得了良好效果。此外，文章将现有 Kennedy 和 Kuti 方法进行改进，并在一维双井比较了不同方法的性能表现。

Dec, 1998

本研究提出一组技术，允许在每台机器的空间强烈次线性的情况下，在 Massive Parallel Computation（MPC）模型中高效生成许多独立的随机游走，从而突破了 PageRank 等在有向和无向图的应用中遇到的局限性。

Jul, 2019

本文提出一种新的 $m$- 维随机游走采样方法，称为前沿采样，该方法在大规模实际网络图中表现出更低的估计误差，并且比随机顶点采样更适合采样图的度数分布尾部。

Feb, 2010

本文提出 Bayesian inference 的两种不同算法的统一视图，即 Stochastic Gradient Markov Chain Monte Carlo （SG-MCMC）和 Stein Variational Gradient Descent（SVGD），提出一种新的改进和高效的采样方法，将 SVGD 与噪声结合，构成多链 SG-MCMC 方法，实现粒子之间斥力的作用，避免了崩溃并促进了更好的参数空间探索，并证明了这种添加噪声项是获得有效 SG-MCMC 采样器的必要条件。实验表明了所提出方案的益处。

Nov, 2018

本文提出了一种新的算法 Waddling Random Walk（WRW），用于估计任意大小的图相对浓度，并通过在可访问的节点路径上进行随机游走来采样子图以提高计算效率、精度与准确性。通过使用广泛使用的图形数据集，该算法在速度、精度和准确性方面都优于当前最先进的挖掘子图统计算法。

May, 2016

提出了 NBRW-rw 和 MHDA 算法分别解决了 SRW-rw 和 MH 算法扩散速度慢的问题，提供更高效率的无偏图采样。

Apr, 2012