真自避行走加速馬可夫鏈蒙地卡羅積分

一篇於 arXiv 上發表的研究論文探討了真自避行走（TSAW）作為改進馬可夫鏈蒙地卡羅（MCMC）積分估計的機制。論文考慮有限狀態的自適應採樣動力學，關聯於一個在有限集合上的不可約馬可夫核 $P$，其平穩分佈為 $\pi$，其中轉移概率根據經驗過度使用而受到懲罰。主要結果顯示，基於 TSAW 的行走的經驗佔用計數 $L_t(i)$ 和轉移計數 $N_t(i,j)$ 幾乎必然滿足 $L_t(i)-t\pi_i = O(\sqrt{\log t})$ 和 $N_t(i,j)-t\pi_iP_{ij}=O(\sqrt{\log t})$。這導致對於任何有界函數 $f$，積分估計器的誤差收斂為 $O(\sqrt{\log t}/t)$，幾乎必然。相較於標準隨機行走方法下的 $t^{-1/2}$ 誤差縮放，TSAW 基礎的估計器實現了更為銳利的樣本大小依賴性。研究論文提出，這些結果表明 TSAW 有潛力顯著提升 MCMC 方法的效率，在積分估計中提供更快的收斂速度，適用於需要高精度積分的計算應用。