安德烈亚斯·阿纳斯塔西奥;亚历山德罗·巴普;弗朗索瓦·萨维耶·布里奥尔;布鲁诺·埃布纳;罗伯特·E·冈特。;法特梅·加德里内扎德;杰克逊·戈勒姆;亚瑟·格雷顿;克利斯朵夫·莱伊;刘强;莱斯特·麦基;克里斯·奥茨（Chris J.Oates）。;格辛·雷内特;伊维克·斯旺 Stein的方法符合计算统计学：对最近一些发展的回顾。 （英语） Zbl 07654781号 统计科学。 38，第1期，第120-139页（2023年）. 概述：Stein的方法通过研究一类称为Stein算子的线性算子来比较概率分布。虽然主要研究概率并用于支撑理论统计，但斯坦因的方法近年来在计算统计方面取得了重大进展。这项调查的目的是将这些最新的发展汇集在一起，并在这样做的过程中，促进对斯坦因方法和统计学这一成功领域的进一步研究。我们讨论的主题包括用于基准测试和比较抽样方法的工具，如近似马尔可夫链蒙特卡罗、抽样方法的确定性替代方法、控制变量技术、参数估计和优度检验。 引用于5文件 MSC公司： 62至XX 统计 关键词：斯坦因方法;近似马尔可夫链蒙特卡罗;变分推理;控制变量;光纤质量测试;似然比;最大似然估计量;先验灵敏度;样品质量 PDF格式BibTeX公司 XML格式引用 \textit{A.Anastasiou}等人，《统计科学》。38，编号1，120--139（2023；Zbl 07654781） 全文： 内政部 arXiv公司 链接 参考文献： [1] AHN，S.、KORATTIKARA，A.和WELLING，M.（2012年）。基于随机梯度Fisher评分的贝叶斯后验抽样机器学习国际会议(ICML公司) 1591-1598. [2] ALLISON，J.S.、BETSCH，S.、EBNER，B.和VISAGIE，I.J.H.（2022）。关于测试逆高斯分布的充分性。数学10 350. [3] ANASTASIOU，A.（2017年）。依赖于（m）的随机变量的最大似然估计的正态逼近的界。统计师。普罗巴伯。莱特。129 171-181. ·1380.62100兹罗提 ·doi:10.1016/j.spl.2017.04.022 [4] ANASTASIOU，A.和GAUNT，R.E.（2021）。最大似然估计量的多元正态逼近的Wasserstein距离误差界。电子。J.统计。15 5758-5810. ·Zbl 1482.60031号 ·doi:10.1214/21-ejs1920 [5] ANASTASIOU，A.和LEY，C.（2017）。使用delta方法的最大似然估计量的渐近正态性的界。ALEA Lat.Am.J.Probab公司。数学。斯达。14 153-171. ·Zbl 1362.62046号 [6] ANASTASIOU，A.和REINERT，G.（2017）。最大似然估计量的正态近似的界。伯努利23 191-218. ·Zbl 1362.60017号 ·doi:10.3150/15-BEJ741 [7] Anastasiou，A.和Reinert，G.（2020年）。似然比渐近分布的界。附录申请。普罗巴伯。30 608-643. ·Zbl 1446.62073号 ·doi:10.1214/19-AAP1510 [8] 安德拉德·蒂尔，S.、海曼，D.P.和OTT，T.J.（1993）。通过平滑和控制变量减少马尔可夫链模拟的方差。ACM事务处理。模型。计算。模拟。3 167-189. ·Zbl 0846.60071号 [9] Aronszajn，N.（1950）。再生核理论。事务处理。阿默尔。数学。Soc公司。68 337-404. ·Zbl 0037.20701号 ·doi:10.307/1990404 [10] ARRAS，B.和HOUDRé，C.（2019年）。关于有限一阶矩无穷可分律的Stein方法.斯普林格概率与数理统计简介查姆施普林格·Zbl 1447.60052号 [11] ASSARAF，R.和CAFFAREL，M.（1999）。蒙特卡罗算法的零方差原理。物理学。修订稿。83 4682. [12] BANERJEE，T.、LIU，Q.、MUKHERJEE，G.和SUN，W.（2021）。离散线性指数族经验Bayes估计的一般框架。J.马赫。学习。研究。22 67. ·Zbl 1497.62066号 [13] Barbour，A.D.（1988年）。Stein方法和泊松过程收敛。J.应用。普罗巴伯。25A 175-184年·兹比尔0661.60034 ·doi:10.1017/s0021900200040341 [14] Barbour，A.D.（1990年）。扩散近似的Stein方法。普罗巴伯。理论相关领域84 297-322之间·Zbl 0665.60008号 ·doi:10.1007/BF01197887 [15] BARBOUR，A.D.和CHEN，L.H.Y.（2014）。斯坦因的（魔法）方法。ArXiv预印本。可从ArXiv:1411.1179获得。 [16] BARBOUR，A.D.、HOLST，L.和JANSON，S.（1992年）。泊松近似.牛津概率研究2.纽约克拉伦登出版社·Zbl 0746.60002号 [17] BARBOUR，A.D.和XIA，A.（1999）。泊松摄动。ESAIM概率。斯达。3 131-150. ·Zbl 0949.62015号 ·doi:10.1051/ps:199106 [18] BARINGHAUS，L.和HENZE，N.（1991年）。一类基于经验拉普拉斯变换的指数性一致性检验。Ann.Inst.Statist公司。数学。43 551-564. ·Zbl 0760.62040号 ·doi:10.1007/BF00053372 [19] BARINGHAUS，L.和HENZE，N.（1992年）。基于经验生成函数的泊松分布拟合优度检验。统计师。普罗巴伯。莱特。13 269-274. ·Zbl 0741.62043号 ·doi:10.1016/0167-7152（92）90033-2 [20] BARP，A.A.（2020年）。英国帝国理工学院统计学博士论文《括号几何》。 [21] BARP，A.A.、BRIOL，F.X.、DUNCAN，A.B.、GIROLAMI，M.和MACKEY，L.（2019年）。最小斯坦因差异估计器。在神经信息处理系统的研究进展(NeurIPS公司) 12964-12976. [22] BARP，A.A.、OATES，C.、PORCU，E.和GIROLAMI，M.（2018年）。一种黎曼-斯坦核方法。ArXiv预印本。可从ArXiv:1810.04946获得。 [23] BELOMESTNY，D.、IOSIPOI，L.、MOULINES，E.、NAUMOV，A.和SAMSONOV，S.（2020年）。马尔可夫链的方差约简及其在MCMC中的应用。统计计算。30 973-997. ·兹比尔1447.62107 ·doi:10.1007/s11222-020-09931-z [24] BELOMESTNY，D.、IOSIPOI，L.和ZHIVOTOVSKIY，N.（2017年）。通过经验方差最小化减少方差：收敛性和复杂性。ArXiv预印本。可从ArXiv:1712.04667获得。 [25] BELOMESTNY，D.、MOULINES，E.、SHAGADATOV，N.和URUSOV，M.（2019年）。通过鞅表示减少MCMC方法的方差。ArXiv预印本。可从ArXiv:1903.07373获得。 [26] Berlinet，A.和Thomas-Agnan，C.（2004年）。概率统计中的再生核Hilbert空间Kluwer Academic，马萨诸塞州波士顿·Zbl 1145.6202号 ·doi:10.1007/978-1-4419-9096-9 [27] BETSCH，S.和EBNER，B.（2019年）。伽马分布的新特征和相关的良好性测试。梅特里卡82 779-806. ·Zbl 1432.62028号 ·doi:10.1007/s00184-019-000708-7 [28] BETSCH，S.和EBNER，B.（2020年）。通过Stein特征描述中的分布不动点性质测试正态性。测试29 105-138. ·Zbl 1439.62069号 ·doi:10.1007/s11749-019-00630-0 [29] BETSCH，S.和EBNER，B.（2021）。连续单变量概率分布的不动点特征及其应用。Ann.Inst.Statist公司。数学。73 31-59. ·Zbl 1472.62025 ·doi:10.1007/s10463-019-00735-1 [30] BETSCH，S.、EBNER，B.和KLAR，B.（2021）。非规范化参数模型的最小[{L^q}\]-距离估计。加拿大。J.统计。49 514-548. ·兹比尔07759589 ·doi:10.1002/cjs.11574 [31] BETSCH，S.、EBNER，B.和NESTMANN，F.（2022）。非正规离散概率分布的特征及其在统计学中的应用。电子。J.统计。16 1303-1329. ·兹比尔1493.62056 ·doi:10.1214/22-ejs1983 [32] CARMELI，C.、DE VITO，E.、TOIGO，A.和UMANIT ALI，V.（2010年）。向量值再生核Hilbert空间与普适性。分析。应用程序(辛加普.) 8 19-61. ·Zbl 1195.46025号 ·doi:10.1142/S021953051001503 [33] Chatterjee，S.（2014）。斯坦因方法的简短概述。在国际数学家会议记录-苏尔2014第四卷1-24. 首尔Kyung Moon Sa·Zbl 1373.60052号 [34] CHEN，C.、ZHANG，R.、WANG，W.、LI，B.和CHEN，L.（2018）。用于可扩展贝叶斯采样的统一粒子优化框架。在人工智能中的不确定性(阿拉伯联合酋长国). [35] CHEN，L.H.和RLLIN，A.（2010年）。法向近似的Stein耦合。ArXiv预印本。可从ArXiv:1003.6039获得。 [36] Chen，L.H.Y.（1975）。依赖试验的泊松近似。安·普罗巴伯。3 534-545. ·Zbl 0335.60016号 ·doi:10.1214/aop/1176996359 [37] Chen，L.H.Y.、Goldstein，L.和Shao，Q.-M.（2011）。Stein方法的正规逼近.概率及其应用(纽约). 海德堡施普林格·Zbl 1213.62027号 ·doi:10.1007/978-3-642-15007-4 [38] CHEN，P.、WU，K.、CHEN，J.、O'LEARY-ROSEBERRY，T.和GHATTAS，O.（2019）。投影Stein变分牛顿：一种快速可扩展的高维贝叶斯推理方法。在神经信息处理系统的研究进展(NeurIPS公司) 15130-15139. [39] CHEN，W.Y.、BARP，A.A.、BRIOL，F.-X.、GORHAM，J.、GIROLAMI，M.、MACKEY，L.和OATES，C.J.（2019）。斯坦因点马尔可夫链蒙特卡罗。在机器学习国际会议(ICML公司) 1011-1021. [40] CHEN，W.Y.、MACKEY，L.、GORHAM，J.、BRIOL，F.-X.和OATES，C.J.（2018）。斯坦因指出。在机器学习国际会议(ICML公司) 844-853. [41] CHEWI，S.、GOUIC，T.L.、LU，C.、MAUNU，T.和RIGOLLET，P.（2020年）。SVGD是一个chi-squared散度的核化Wasserstein梯度流。在神经信息处理系统的研究进展(NeurIPS公司). [42] CHWIALKOWSKI，K.，STRATHMANN，H.和GRETTON，A.（2016）。拟合优度的核心测试。在机器学习国际会议(ICML公司) 2606-2615. [43] Courtade，T.A.、Fathi，M.和Pananjady，A.（2019年）。谱间隙下Stein核的存在性和差异界。亨利·彭加雷·普罗巴布（Henri PoincaréProbab）安·Inst。斯达。55 777-790. ·Zbl 1466.60006号 ·doi:10.1214/18-aihp898 [44] DELLAPORTAS，P.和KONTOYIANNIS，I.（2012年）。基于可逆马尔可夫链蒙特卡罗采样器估计的控制变量。J.R.统计社会服务。B.统计方法。74 133-161. ·Zbl 1411.62056号 ·文件编号：10.1111/j.1467-9868.2011.01000.x [45] DETOMMASO，G.、CUI，T.、MARZOUK，Y.、SCHEICHL，R.和SPANTINI，A.（2018年）。斯坦因变分牛顿法。在神经信息处理系统的研究进展(NeurIPS公司) 9169-9179. [46] DIACONIS，P.和FREEDMAN，D.（1986年）。贝叶斯估计的一致性（作者进行了讨论和反驳）。安。统计师。14 1-67. ·Zbl 0595.62022号 ·doi:10.1214/aos/1176349830 [47] DIACONIS，P.和HOLMES，S.编辑（2004）。斯坦因方法:讲解性讲座和应用.数理统计研究所讲稿——专题丛书46. ·Zbl 1079.62024号 [48] DRR，P.、EBNER，B.和HENZE，N.（2021）。一种通过特征PDE中的双重估计对多元正态性进行的新检验。梅特里卡84 401-427. ·Zbl 1467.62098号 ·doi:10.1007/s00184-020-00795-x [49] DUNCAN，A.、NüSKEN，N.和SZPRUCH，L.（2019年）。关于Stein变分梯度下降的几何。ArXiv预印本。可从ArXiv:1912.00894获得。 [50] EBNER，B.（2021）。将零偏变换与经验特征函数相结合进行正态性检验。ALEA Lat.Am.J.Probab公司。数学。斯达。18 1029-1045. ·Zbl 1477.62107号 ·doi:10.30757/alea.v18-38 [51] EBNER，B.和HENZE，N.（2020年）。多元正态性检验——以加权统计为重点的批判性综述。测试29 845-892. ·Zbl 1478.62127号 ·doi:10.1007/s11749-020-00740-0 [52] ERDOGDU，M.A.、MACKEY，L.和SHAMIR，O.（2018年）。离散扩散的全局非凸优化。在神经信息处理系统的研究进展(NeurIPS公司) 9694-9703. [53] FANG，X.，SHAO，Q.-M.和XU，L.（2019）。用Stein方法和Bismut公式对Wasserstein距离进行多元近似。普罗巴伯。理论相关领域174 945-979. ·Zbl 1479.60003号 ·doi:10.1007/s00440-018-0874-5 [54] FATHI，M.、GOLDSTEIN，L.、REINERT，G.和SAUMARD，A.（2020年）。放松收缩率的高斯假设和高维SURE。ArXiv预印本。可从ArXiv:2004.01378获得。 [55] FENG，Y.、WANG，D.和LIU，Q.（2017）。学习使用摊余Stein变分梯度下降法绘制样本。在人工智能中的不确定性(阿拉伯联合酋长国). [56] FERNáNDEZ，T.、RIVERA，N.、XU，W.和GRETTON，A.（2020年）。对时间-事件数据的菲特质量进行了核化Stein差异测试。在机器学习国际会议(ICML公司). [57] FISHER，M.A.、NOLAN，T.H.、GRAHAM，M.M.、PRANGLE，D.和OATES，C.J.（2021年）。测量传输与内核-斯坦差异。在国际人工智能与统计会议(AISTATS公司). [58] GAUNT，R.E.（2017）。关于正态随机变量乘积和零偏耦合的Stein方法。伯努利23 3311-3345. ·Zbl 1407.60035号 ·doi:10.3150/16-BEJ848 [59] GAUNT，R.E.（2022）。幂散度统计量族的X平方近似的界。J.应用。普罗巴伯。·Zbl 07616202号 [60] GAUNT，R.E.、PICKETT，A.M.和REINERT，G.（2017年）。Stein方法的奇方近似及其在Pearson统计量中的应用。附录申请。普罗巴伯。27 720-756. ·Zbl 1370.60042号 ·doi:10.1214/16-AAP1213 [61] GAUNT，R.E.和REINERT，G.（2021）。用Stein方法对Friedman统计量进行X平方近似的界限。ArXiv预印本。可在ArXiv:22111.00949上获得。 [62] GHADERINEZHAD，F.和LEY，C.（2019年）。通过Stein方法量化贝叶斯统计中先验因素的影响。统计师。普罗巴伯。莱特。146 206-212. ·Zbl 1412.62038号 ·doi:10.1016/j.spl.2018.11.012 [63] Gibbs，A.L.和Su，F.E.（2002年）。关于选择和限定概率度量。国际统计版次。70 419-435. ·Zbl 1217.62014年 [64] GOLDSTEIN，L.和REINERT，G.（2005）。分布变换、正交多项式和Stein特征。J.理论。普罗巴伯。18 237-260. ·Zbl 1072.62002号 ·doi:10.1007/s10959-004-2602-6 [65] GOLDSTEIN，L.和REINERT，G.（2013）。beta分布的Stein方法和Pólya-Eggenberger瓮。J.应用。普罗巴伯。50 1187-1205·Zbl 1304.60033号 ·doi:10.1239/jap/1389370107 [66] 龚，C.、彭，J.和刘，Q.（2019）。并行贝叶斯优化的分位数Stein变分梯度下降算法。在机器学习国际会议(ICML公司)2347-2356页。 [67] GONG，W.，LI，Y.和HERNáNDEZ-LOBATO，J.M.（2021）。切片核斯坦因差异。在学习代表国际会议(ICLR公司). [68] Gorham，J.、Duncan，A.B.、Vollmer，S.J.和Mackey，L.（2019年）。用扩散法测量样品质量。附录申请。普罗巴伯。29 2884-2928. ·Zbl 1439.60073号 ·doi:10.1214/19-AAP1467 [69] GORHAM，J.和MACKEY，L.（2015）。用斯坦因方法测量样品质量。在神经信息处理系统的研究进展(NeurIPS公司) 226-234. Curran Associates，Red Hook公司。 [70] GORHAM，J.和MACKEY，L.（2017）。用果仁测量样品质量。在机器学习国际会议(ICML公司) 1292-1301. [71] GORHAM，J.、RAJ，A.和MACKEY，L.（2020年）。随机斯坦因差异。在神经信息处理系统的研究进展(NeurIPS公司). [72] Götze，F.（1991）。关于多元CLT的收敛速度。安·普罗巴伯。19 724-739. ·Zbl 0729.62051号 [73] GRATHWOHL，W.、WANG，K.C.、JACOBSEN，J.H.、DUVENAUD，D.和ZEMEL，R.（2020年）。在不采样的情况下，学习训练和评估基于能量的模型的Stein差异。在机器学习国际会议9485-9499. [74] GRETTON，A.、BORGWARDT，K.M.、RASCH，M.、SCHLKOPF，B.和SMOLA，A.J.（2006）。两样本问题的核方法。在神经信息处理系统的研究进展(NeurIPS公司) 513-520. [75] GRETTON，A.、BORGWARDT，K.M.、RASCH，M.J.、SCHLKOPF，B.和SMOLA，A.（2012）。内核双样本测试。J.马赫。学习。研究。13 723-773. ·兹比尔1283.62095 [76] HAARNOJA，T.、TANG，H.、ABBEEL，P.和LEVINE，S.（2017年）。通过深入的基于能源的政策加强学习。在机器学习国际会议(ICML公司) 1352-1361. [77] 韩J.和刘Q.（2017）。斯坦因变分自适应重要性抽样。在人工智能中的不确定性(阿拉伯联合酋长国). [78] 韩J.和刘Q.（2018）。无梯度Stein变分梯度下降。在机器学习国际会议(ICML公司) 1900-1908. [79] HENDERSON，S.G.和SIMON，B.（2004）。使用完美控制变量的自适应模拟。J.应用。普罗巴伯。41 859-876. ·Zbl 1074.65004号 ·doi:10.1017/s0021900200020593 [80] HENZE，N.、MEINTANIS，S.G.和EBNER，B.（2012年）。基于经验拉普拉斯变换的伽马分布的距离优度检验。通信统计。理论方法41 1543-1556. ·Zbl 1319.62096号 ·doi:10.1080/03610926.2010.542851 [81] HENZE，N.和VISAGIE，J.（2020）。基于包含力矩生成函数的偏微分方程测试任意维的正态性。Ann.Inst.Statist公司。数学。72 1109-1136. ·Zbl 1465.62104号 ·doi:10.1007/s10463-019-00720-8 [82] HINTON，G.E.（2002）。通过最小化对比差异来培训专家产品。神经计算。14 1771-1800. ·Zbl 1010.68111号 ·网址：10.1162/089976602760128018 [83] HODGKINSON，L.、SALOMONE，R.和ROOSTA，F.（2020年）。用于事后校正采样的再生Stein核方法。ArXiv预印本。可从ArXiv:2001.09266获得。 [84] 霍姆斯，S.（2004）。斯坦因的生与死链方法。在斯坦因方法:讲解性讲座和应用.数理统计研究所讲稿——专题丛书46 45-67. 俄亥俄州比奇伍德IMS。 [85] HOLMES，S.和REINERT，G.（2004）。Stein的引导方法。在斯坦因方法:公开讲座和应用.数理统计研究所讲稿——专题丛书46 95-136. 俄亥俄州比奇伍德IMS。 [86] HU，T.，CHEN，Z.，SUN，H.，BAI，J.，YE，M.和CHENG，G.（2018年）。斯坦因神经采样器。ArXiv预印本。可从ArXiv:1810.03545获得。 [87] HUGGINS，J.H.和MACKEY，L.（2018年）。随机特征Stein差异。在神经信息处理系统的研究进展(NeurIPS公司) 1899-1909. [88] HYV A RINEN，A.（2005年）。通过分数匹配估计非正规统计模型。J.马赫。学习。研究。6 695-709. ·Zbl 1222.62051号 [89] James，W.和Stein，C.（1961年）。二次损失估算。在程序. 4第十届伯克利交响乐团。数学。统计师。和探针.,第一卷361-379. 加利福尼亚大学出版社，加利福尼亚州伯克利·Zbl 1281.62026号 [90] JITKRITTUM，W.、XU，W.，SZABO，Z.、FUKUMIZU，K.和GRETTON，A.（2017）。线性时间核优度测试。在神经信息处理系统的研究进展(NeurIPS公司) 261-270. [91] KEY，O.、FERNANDEZ，T.、GRETTON，A.和BRIOL，F.-X.（2021）。果仁的综合品质测试。在NeurIPS公司2021研讨会您的模型错误:概率建模中的稳健性和错误规范。可从arXiv:2111.10275获取。 [92] KIM，T.、YOON，J.、DIA，O.、KIM，S.、BENGIO，Y.和AHN，S.（2018年）。贝叶斯模型不可知元学习。在神经信息处理系统的研究进展(NeurIPS公司) 7332-7342. [93] KORATTIKARA，A.、CHEN，Y.和WELLING，M.（2014）。MCMC土地的紧缩：削减大都会黑斯廷斯的预算。在国际机器学习会议论文集(ICML公司).ICML'14 [94] KORBA，A.、SALIM，A.、ARBEL，M.、LUISE，G.和GRETTON，A.（2020年）。Stein变分梯度下降的非渐近分析。在神经信息处理系统研究进展(NeurIPS公司) 33. [95] KUMAR KATTUMANNIL，S.（2009年）。论斯坦因的身份及其应用。统计师。普罗巴伯。莱特。79 1444-1449. ·Zbl 1167.62013年 ·doi:10.1016/j.spl.2009.03.021 [96] Ledoux，M.、Nourdin，I.和Peccati，G.（2015）。斯坦因方法、对数索波列夫和输运不等式。地理。功能。分析。25 256-306. ·Zbl 1350.60013号 ·doi:10.1007/s00039-015-0312-0 [97] LEUCHT，A.和NEUMANN，M.H.（2013）。退化\（U \）和\（V \）统计信息的依赖野生引导。《多元分析杂志》。117 257-280之间·Zbl 1279.62102号 ·doi:10.1016/j.jmva.2013.03.003 [98] LEY，C.、REINERT，G.和SWAN，Y.（2017年）。Stein的单变量分布比较方法。普罗巴伯。Surv公司。14 1-52. ·Zbl 1406.60010号 ·doi:10.1214/16-PS278 [99] LEY，C.、REINERT，G.和SWAN，Y.（2017年）。贝叶斯统计中嵌套密度之间的距离和先验影响的度量。附录申请。普罗巴伯。27 216-241. ·Zbl 1381.60065号 ·doi:10.1214/16-AAP1202 [100] LEY，C.和SWAN，Y.（2016年）。参数化Stein运算符和方差边界。钎焊。J.概率。斯达。30 171-195. ·兹比尔1376.60044 ·doi:10.1214/14-BJPS271 [101] LI，L.，LI，Y.，LIU，J.-G.，LIU，Z.和LU，J.（2020）。用于有效采样的Stein变分梯度下降的随机版本。Commun公司。申请。数学。计算。科学。15 37-63. ·兹比尔1444.62043 ·doi:10.2140/camcos.2020.15.37 [102] LIPPERT，R.A.、HUANG，H.和WATERMAN，M.S.（2002）。两个随机序列之间的（k）字匹配数的分布体制。程序。国家。阿卡德。科学。美国99 13980-13989. ·Zbl 1135.62395号 ·doi:10.1073/pnas.202468099 [103] LIU，A.、LIANG，Y.和VAN DEN BROECK，G.（2020年）。非政策性深度强化学习与类似的非纠缠探索。在自治代理和多代理系统国际会议(美国原子能机构). [104] LIU，C.和ZHU，J.（2018）。贝叶斯推理的黎曼-斯坦因变分梯度下降法。在AAAI人工智能会议3627-3634. [105] 刘C.、ZHUO，J.、CHENG，P.、ZHANG，R.和ZHU，J.（2019）。理解并加速基于粒子的变分推理。在机器学习国际会议(ICML公司) 4082-4092. [106] LIU，H.、FENG，Y.、MAO，Y.、ZHOU，D.、PENG，J.和LIU，Q.（2018）。通过Stein恒等式实现策略优化的动作相关控制变量。在学习代表国际会议(ICLR公司). [107] 刘琼（2017）。Stein变分梯度下降为梯度流。在神经信息处理系统的研究进展(NeurIPS公司) 3115-3123. [108] 刘清、李J.和乔丹M.（2016）。一个核心化的Stein差异用于质量测试。在机器学习国际会议(ICML公司) 276-284. [109] LIU，Q.和LEE，J.D.（2017）。黑盒重要性抽样。在国际人工智能与统计会议(AISTATS公司) 952-961. [110] 刘强、李J.D.和乔丹M.I.（2016）。一个核心化的Stein差异，用于质量测试和模型评估。在机器学习国际会议(ICML公司) 276-284. [111] LIU，Q.和WANG，D.（2016）。Stein变分梯度下降：一种通用贝叶斯推理算法。在神经信息处理系统的研究进展(NeurIPS公司) 2370-2378. [112] 刘强和王德（2018）。Stein变分梯度下降作为矩匹配。在神经信息处理系统的研究进展(NeurIPS公司) 8854-8863. [113] LIU，S.、KANAMORI，T.、JITKRITTUM，W.和CHEN，Y.（2019年）。难处理模型的Fisher有效推断。在神经信息处理系统的研究进展(NeurIPS公司) 8793-8803. [114] 刘毅、拉马钱德兰、P.、刘奎和彭杰（2017）。斯坦因变分政策梯度。在人工智能中的不确定性(阿拉伯联合酋长国). [115] LU，J.、LU，Y.和NOLEN，J.（2019年）。Stein变分梯度下降的尺度极限：平均场状态。SIAM J.数学。分析。51 648-671. ·Zbl 1417.35189号 ·doi:10.1137/18M1187611 [116] MACKEY，L.和GORHAM，J.（2016）。一类强对数凹分布的多元Stein因子。电子。Commun公司。普罗巴伯。21 56. ·Zbl 1348.60116号 ·数字对象标识码：10.1214/16-ecp15 [117] MATSUBARA，T.、KNOBLAUCH，J.、BRIOL，F.X.和OATES，C.J.（2021）。针对棘手可能性的稳健广义贝叶斯推断。J.R.统计社会服务。B.统计方法。。显示。可从arXiv:2104.07359获取。 [118] MATSUBARA，T.、KNOBLAUCH，J.、BRIOL，F.X.和OATES，C.J.（2022）。离散难处理似然的广义贝叶斯推断。可从arXiv:2206.08420获取。 [119] Meyn，S.P.和Tweedie，R.L.（1993年）。马尔可夫链与随机稳定性.通信与控制工程系列伦敦斯普林格·Zbl 0925.60001号 ·doi:10.1007/978-1-4471-3267-7 [120] MIJATOVIĆ，A.和VOGRINC，J.（2018）。关于Metropolis-Hastings链的泊松方程。伯努利24 2401-2428. ·Zbl 1429.65010号 ·文件编号：10.3150/17-BEJ932 [121] MIJOULE，G.、REINERT，G.和SWAN，Y.（2021）。多元连续分布的Stein密度方法。ArXiv预印本。可从ArXiv:2101.05079获得。 [122] MIRA，A.、SOLGI，R.和IMPARATO，D.（2013年）。贝叶斯估计量的零方差马尔可夫链蒙特卡罗方法。统计计算。23 653-662. ·Zbl 1322.62212号 ·doi:10.1007/s11222-012-9344-6 [123] MüLLER，A.（1997年）。积分概率度量及其函数生成类。申请中的预付款。普罗巴伯。29 429-443. ·Zbl 0890.60011号 ·doi:10.2307/1428011 [124] Nourdin，I.和Peccati，G.（2012年）。Malliavin微积分的正规逼近:从斯坦因方法到普遍性.剑桥数学系192.剑桥大学出版社，剑桥·Zbl 1266.60001号 ·doi:10.1017/CBO9781139084659 [125] NüSKEN，N.和RENGER，D.（2021）。Stein变分梯度下降：多粒子和长时间渐近。ArXiv预印本。可从ArXiv:2102.12956获得。 [126] 欧茨·C.J.、科卡恩·J.、布莱尔·F.-X.和吉罗拉米·M.（2019）。基于Stein方法的一类估计量的收敛速度。伯努利25 1141-1159. ·Zbl 1459.60064号 ·doi:10.3150/17-bej1016 [127] OATES，C.J.、GIROLAMI，M.和CHOPIN，N.（2017年）。蒙特卡罗积分的控制函数。J.R.统计社会服务。B.统计方法。79 695-718. ·Zbl 1411.62088号 ·doi:10.1111/rssb.12185 [128] OATES，C.J.、PAPAMARKOU，T.和GIROLAMI，M.（2016）。贝叶斯模型证据评估的受控热力学积分。J.Amer。统计师。协会。111 634-645. ·doi:10.1080/01621459.2015.1021006 [129] OKSENDAL，B.（2013）。随机微分方程:应用程序简介第6版，施普林格，柏林。 [130] PU，Y.，GAN，Z.，HENAO，R.，LI，C.，HAN，S.和CARIN，L.（2017）。基于Stein变分梯度下降的VAE学习。在神经信息处理系统的研究进展(NeurIPS公司) 4236-4245. [131] RACHEV，S.T.、KLEBANOV，L.B.、STOYANOV，S.V.和FABOZZI，F.J.（2013）。概率统计理论中的距离方法纽约州施普林格·Zbl 1280.60005号 ·doi:10.1007/978-1-4614-4869-3 [132] RANGANATH，R.、TRAN，D.、ALTOSAAR，J.和BLEI，D.（2016）。算子变分推理。在神经信息处理系统的研究进展(NeurIPS公司) 496-504. [133] REINERT，G.（1998年）。使用Stein方法进行法向近似的耦合。在离散概率的微观测量(新泽西州普林斯顿, 1997).DIMACS系列。离散数学。理论。计算。科学。41 193-207. 阿默尔。数学。佛罗里达州普罗维登斯Soc·Zbl 0909.62010 ·doi:10.1089/cmb.1998.5.223 [134] Reinert，G.（2005）。斯坦因方法的三种一般方法。在斯坦因方法简介.勒克特。注释序列。Inst.数学。科学。国家。新加坡大学。4 183-221. 新加坡大学出版社，新加坡。 ·doi:10.1142/9789812567680_0004 [135] REINERT，G.、CHEW，D.、SUN，F.和WATERMAN，M.S.（2009年）。无对齐序列比较。一、统计与权力。J.计算。生物。16 1615-1634. ·doi:10.1089/cmb.2009.0198 [136] REINERT，G.和ROSS，N.（2019年）。近似快速混合Glauber动力学的平稳分布，并应用于指数随机图。附录申请。普罗巴伯。29 3201-3229·Zbl 1447.60010号 ·doi:10.1214/19-AAP1478 [137] RIABIZ，M.、CHEN，W.、COCKAYNE，J.、SWIETACH，P.、NIEDERER，S.A.、MACKEY，L.和OATES，C.（2020年）。MCMC输出的最佳减薄。ArXiv预印本。可从ArXiv:2005.03952获得。 [138] Ross，N.（2011）。斯坦因方法基础。普罗巴伯。Surv公司。8 210-293. ·Zbl 1245.60033号 ·doi:10.1214/11-PS182 [139] SCHWARTZ，L.（1964年）。Sous-espaces hilbertiens d'espaces vectoriels拓扑和noyaux associes（noyaux-repduisants）。J.分析。数学。13 115-256. ·Zbl 0124.06504号 ·doi:10.1007/BF02786620 [140] SERFLING，R.J.（2009）。数理统计的近似定理162.纽约威利。 [141] 邵庆明（2005）。通过Stein方法，为Student’s（t）-统计量确定了明确的Berry-Esseen界限。在斯坦因方法及其应用.勒克特。注释序列。Inst.数学。科学。国家。新加坡大学。5 143-155. 新加坡大学出版社，新加坡。 ·doi:10.1142/9789812567673_0009 [142] 邵庆明（2010）。Stein方法，自归一化极限理论和应用。在国际数学家大会会议记录。第四卷2325-2350. 印度斯坦图书局，新德里·Zbl 1229.60034号 [143] 邵Q.M.、张K.和周W.-X.（2016）。Stein的非线性统计方法：简要综述和最新进展。J.统计。计划。推断168 68-89. ·Zbl 1333.60034号 ·doi:10.1016/j.jspi.2015.06.008 [144] SI，S.、OATES，C.J.、DUNCAN，A.B.、CARIN，L.和BRIOL，F.-X.（2020）。蒙特卡罗方法的可缩放控制变量通过随机优化。ArXiv预印本。可从ArXiv:2006.07487获得。 [145] SMOLA，A.、GRETTON，A.、SONG，L.和SCHLKOPF，B.（2007）。分布的希尔伯特空间嵌入。在算法学习理论国际会议13-31. ·Zbl 1142.68407号 [146] SOHL-DICKSTEIN，J.、BATTAGLINO，P.和DEWEESE，M.R.（2011）。最小概率流学习。在机器学习国际会议905-912. [147] SOUTH，L.F.，KARVONEN，T.，NEMETH，C.，GIROLAMI，M.和OATES，C.（2020年）。来自sard方法的半精确控制泛函。ArXiv预印本。可从ArXiv:2002.0033获得。 [148] SOUTH，L.F.、OATES，C.J.、MIRA，A.和DROVANDI，C.（2018年）。用于高维方差减少的正则化零方差控制变量。ArXiv预印本。可从ArXiv:1811.05073获得。 [149] STEIN，C.（1956年）。多元正态分布均值的一般估计量的不容许性。在第三届伯克利数理统计与概率研讨会论文集, \(1954-1955\),第一卷197-206. 加州大学出版社，加州伯克利-洛杉矶·Zbl 0073.35602号 [150] 斯坦因（1972）。相依随机变量和分布的正态近似误差的界。在第六届伯克利数理统计与概率研讨会论文集(加州大学伯克利分校., 1970/1971),第二卷:概率论583-602. ·Zbl 0278.60026号 [151] Stein，C.（1986）。期望值的近似计算.数理统计研究所讲稿——专题丛书7.加利福尼亚州海沃德IMS·Zbl 0721.60016号 [152] STEIN，C.、DIACONIS，P.、HOLMES，S.和REINERT，G.（2004）。在模拟分析中使用可交换对。在斯坦因方法:讲解性讲座和应用.数理统计研究所讲稿——专题丛书46 1-26. 俄亥俄州比奇伍德IMS。 ·doi:10.1214/lnms/1196283797 [153] Stein，C.M.（1981）。多元正态分布平均值的估计。安。统计师。9 1135-1151. ·Zbl 0476.62035号 [154] SUN，Z.，BARP，A.和BRIOL，F.-X.（2021）。向量值控制变量。可从arXiv:2109.08944获取。 [155] TEYMUR，O.、GORHAM，J.、RIABIZ，M.和OATES，C.（2021）。使用最大平均偏差对概率测度进行最优量化。在国际人工智能与统计会议(AISTATS公司) 1027-1035. [156] TIHOMIROV，A.N.（1980）。弱相依随机变量中心极限定理的收敛速度。特奥。维罗亚特。Primen公司。25 800-818. ·Zbl 0448.60019号 [157] WANG，D.和LIU，Q.（2016）。学习抽取样本：应用于摊销MLE以进行生成性对抗学习。ArXiv预印本。可从ArXiv:1611.01722获得。 [158] WANG，D.和LIU，Q.（2019年）。用于学习多种混合模型的非线性Stein变分梯度下降法。在机器学习国际会议(ICML公司) 6576-6585. [159] WANG，D.、TANG，Z.、BAJAJ，C.和LIU，Q.（2019）。矩阵值核的Stein变分梯度下降。在神经信息处理系统的研究进展(NeurIPS公司) 7834-7844. [160] WANG，D.，ZENG，Z.和LIU，Q.（2018年）。连续图形模型的Stein变分消息传递。在机器学习国际会议(ICML公司)5219-5227中。 [161] WELLING，M.和TEH，Y.W.（2011年）。基于随机梯度Langevin动力学的贝叶斯学习。在机器学习国际会议(ICML公司) 681-688. [162] 徐伟（2022）。标准化函数内核-斯坦差异：对内核-斯坦差异测试拟合优度的统一观点。在国际人工智能与统计会议(AISTATS公司) 1575-1597. [163] XU，W.和REINERT，G.（2021年）。指数随机图模型的Stein良好性检验。在国际人工智能与统计会议(AISTATS公司) 415-423. [164] YANG，J.、LIU，Q.、RAO，V.和NEVILLE，J.（2018）。通过Stein差异对离散分布进行有效性检验。在机器学习国际会议(ICML公司) 5561-5570. [165] YANG，J.、RAO，V.和NEVILLE，J.（2019年）。针对点过程的Stein-papangelou质量测试。在国际人工智能与统计会议(AISTATS公司) 226-235. [166] YANG，Z.、BALASUBRAMANIAN，K.、WANG，Z..和LIU，H.（2017）。利用二阶Stein方法学习非高斯多指标模型。在神经信息处理系统研究进展(NeurIPS公司) 30 6097-6106. [167] ZHANG，X.和CURTIS，A.（2019）。使用变分推断方法的地震层析成像。《地球物理学杂志》。雷斯.,固体地球125 e2019JB018589。 [168] ZHANG，X.和CURTIS，A.（2020年）。变分全波形反演。地球物理学。J.国际。222 406-411. [169] ZHANG，Y.和LEE，A.A.（2019年）。贝叶斯半监督学习用于分子特性的不确定性校准预测和主动学习。化学。科学。10 8154-8163. ·doi:10.1039/c9sc00616h [170] ZHU，Y.和ZABARAS，N.（2018年）。用于代理建模和不确定性量化的贝叶斯深度卷积编解码网络。J.计算。物理学。366 415-447. ·Zbl 1407.62091号 ·doi:10.1016/j.jcp.2018.04.018 [171] ZHU，Z.，WAN，R.和ZHONG，M.（2018）。用于减少方差的神经控制变量。ArXiv预印本。可从ArXiv:1806.00159获得。 [172] ZHUO，J.、LIU，C.、SHI，J.和ZHANG，B.（2018）。消息传递Stein变分梯度下降。在机器学习国际会议(ICML公司)6013-6022中。 [173] ZOLOTAREV，V.M.（1984）。概率度量。理论问题。申请。28 278-302 ·Zbl 0533.60025号 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。