markov-chain-monte-carlo

本文介绍了一个完整的贝叶斯框架，用于点云曲线重建，该框架使用马尔可夫链蒙特卡洛算法，能够处理噪声和缺失数据，同时提供不确定性量化。在合成和真实世界的激光雷达数据上的实验表明结果准确。

本文提出了PC-MCMC-CIGP，这是一种灰盒工作流，结合了spike-and-slab拓扑采样、物理约束和化学信息高斯过程用于反应网络发现。该方法在苯乙烯环氧化反应中提高了产率，并在氢-溴基准测试中区分了基本反应路径与欺骗性拟合。

本文针对SGLD-Gibbs发展了标度极限理论，为大规模潜变量模型中实现有意义的不确定性量化提供原则性的超参数调优指导。

本文提出了针对带动量和不带动量的随机梯度Langevin动力学（SGLD）的新离散时间近似方法，能够准确预测平稳协方差、迭代平均协方差和积分自相关时间。该方法为大样本不确定性量化提供了改进的调参指导，尤其在模型错误指定情况下。