使用变分推断和归一化流生成的提议的传输可逆跳跃马尔可夫链蒙特卡罗方法

本文描述了一种新的马尔可夫链蒙特卡罗（MCMC）方法，特别侧重于改进可逆跳跃MCMC框架内的提议生成。作者利用变分推断（VI）和归一化流来创建更有效和高效的提议，以探索复杂的概率分布。“传输”一词出现在标题中，表明重点在于有效地在不同的参数空间或模型维度之间移动，这是MCMC中的一个关键挑战。这些技术的结合很可能旨在提高MCMC算法的收敛性和探索能力，特别是在高维或复杂模型的场景中。

• •应用变分推断和归一化流来改进可逆跳跃MCMC中的提议生成。
• •侧重于对复杂概率分布的有效探索。
• •旨在提高MCMC算法的收敛性和探索能力。