贝叶斯计算中的哈密顿蒙特卡洛（HMC）.docxVIP

贝叶斯计算中的哈密顿蒙特卡洛（HMC）

一、引言：贝叶斯计算的发展困境与抽样方法的演进脉络

贝叶斯统计的核心逻辑是通过观测数据更新对未知参数的认知，最终得到参数的后验分布，基于后验分布开展参数估计、不确定性量化与预测。但在绝大多数实际应用场景中，后验分布并不存在简洁的解析解，尤其是当模型结构复杂、参数维度较高时，必须借助数值计算方法才能获得可用的推断结果。早期的贝叶斯计算依赖拉普拉斯近似等解析近似方法，这类方法对分布形式有极强的前置假设，当后验存在多峰、偏态、厚尾等非高斯特征时，近似误差会大到足以影响结论可靠性。之后发展起来的经典蒙特卡洛方法通过从目标分布中抽取随机样本，用样本经验分布逼近真实后验，原理上不受分布形式限制，但传统独立抽样方法如拒绝抽样、重要性抽样在高维参数空间中的效率会急剧下降——高维空间的概率质量几乎全部集中在范围极小的高值区域，盲目抽样几乎不可能命中这些有效区域。

为破解这一难题，学界发展出马尔可夫链蒙特卡洛（MCMC）方法，通过构造平稳分布等于目标后验的马尔可夫链，沿链的迭代过程逐步收集样本，不再要求样本独立，大幅降低了高维抽样的门槛。但早期MCMC方法如随机游走Metropolis算法、吉布斯抽样，在面对高维、强相关、曲率变化大的后验分布时存在明显效率瓶颈：随机游走的探索方式完全不利用分布本身的几何信息，每一步移动方向随机，导致样本间自相关性极强，需要极多迭