Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > stat > arXiv:2510.03949v2

帮助 | 高级搜索

统计学 > 计算

arXiv:2510.03949v2 (stat)
[提交于 2025年10月4日 (v1) ,最后修订 2025年10月7日 (此版本, v2)]

标题: 动力学朗之万蒙特卡罗在随机指数欧拉离散化下的分析,从欠阻尼到过阻尼

标题: Analysis of kinetic Langevin Monte Carlo under the stochastic exponential Euler discretization from underdamped all the way to overdamped

Authors:Kyurae Kim, Samuel Gruffaz, Ji Won Park, Alain Oliviero Durmus
摘要: 模拟动力朗之万动力学是从分布中进行采样的流行方法,其中仅可获得其未归一化密度。 已经考虑了动力朗之万动力学的各种离散化方法,其中得到的算法统称为动力朗之万蒙特卡洛(KLMC)或欠阻尼朗之万蒙特卡洛。 具体而言,随机指数欧拉离散化,或简称为指数积分器,之前已在强对数凸和对数利普希茨光滑势下通过同步Wasserstein耦合策略进行了研究。 然而,现有的分析对参数施加了限制,这些限制无法解释KLMC在不同参数选择下的行为。 特别是,所有已知的结果在过阻尼区域都不成立,这表明指数积分器在过阻尼极限下会退化。 在本工作中,我们重新审视使用指数积分器的动力朗之万蒙特卡洛的同步Wasserstein耦合分析。 我们的改进分析结果在参数上具有较弱的限制,得到了Wasserstein收缩和渐近偏差的界,这表明只要应用适当的时间加速,指数积分器就能够稳定地模拟过阻尼区域的动力朗之万动力学。
摘要: Simulating the kinetic Langevin dynamics is a popular approach for sampling from distributions, where only their unnormalized densities are available. Various discretizations of the kinetic Langevin dynamics have been considered, where the resulting algorithm is collectively referred to as the kinetic Langevin Monte Carlo (KLMC) or underdamped Langevin Monte Carlo. Specifically, the stochastic exponential Euler discretization, or exponential integrator for short, has previously been studied under strongly log-concave and log-Lipschitz smooth potentials via the synchronous Wasserstein coupling strategy. Existing analyses, however, impose restrictions on the parameters that do not explain the behavior of KLMC under various choices of parameters. In particular, all known results fail to hold in the overdamped regime, suggesting that the exponential integrator degenerates in the overdamped limit. In this work, we revisit the synchronous Wasserstein coupling analysis of KLMC with the exponential integrator. Our refined analysis results in Wasserstein contractions and bounds on the asymptotic bias that hold under weaker restrictions on the parameters, which assert that the exponential integrator is capable of stably simulating the kinetic Langevin dynamics in the overdamped regime, as long as proper time acceleration is applied.
主题: 计算 (stat.CO) ; 数值分析 (math.NA); 概率 (math.PR); 机器学习 (stat.ML)
引用方式: arXiv:2510.03949 [stat.CO]
  (或者 arXiv:2510.03949v2 [stat.CO] 对于此版本)
  https://doi.org/10.48550/arXiv.2510.03949
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Kyurae Kim [查看电子邮件]
[v1] 星期六, 2025 年 10 月 4 日 21:30:44 UTC (675 KB)
[v2] 星期二, 2025 年 10 月 7 日 17:41:23 UTC (676 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
查看许可
当前浏览上下文:
stat.CO
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-10
切换浏览方式为:
cs
cs.NA
math
math.NA
math.PR
stat
stat.ML

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号