MCMC
一类通过构造马尔可夫链来从复杂概率分布中采样的统计计算方法，广泛用于贝叶斯推断、统计物理等领域，在目标分布没有解析表达式时尤为有用
时间轴 (近 90 天)
退火与平均是MCMC中的经典技术，本文表明它们可以显著提升局部算法在复杂高维问题中的性能。
在三个真实世界危机数据集上的实验表明，GRID在场景多样性、真实性和尾部风险覆盖方面均优于RL和MCMC基线。
当潜在过程维度很高或模型复杂到使MCMC不可行时，传统MCMC方法会遭遇瓶颈
引导扩散方法可以应用于MCMC不可行的模型，拓展了可建模问题的边界
传统贝叶斯聚类方法面临三个结构性瓶颈：需要显式指定似然-先验模型、依赖代价高昂的MCMC采样、以及变分近似带来的模式搜寻偏差
由于摆脱了MCMC的序列依赖，该框架的后验样本可以并行抽取
控制变量（control variates）是降低MCMC估计量方差的经典手段，通过构造一个期望已知、与目标函数高度相关的辅助变量来抵消随机波动
将推测采样迁移到扩散模型的挑战在于扩散模型的采样空间是连续高维分布而非离散词表，需重新设计接受-拒绝规则
能量模型（EBM）训练便宜但采样昂贵，因为每次采样都需运行完整的MCMC链，没有摊销采样成本
引入结构化联合采样（如Gibbs采样或MCMC校正）可近似真实联合分布，但代价是推理复杂度上升
还有 1 条时间轴事件
全部知识事实 (11)
退火与平均是MCMC中的经典技术，本文表明它们可以显著提升局部算法在复杂高维问题中的性能。
50%待验证在三个真实世界危机数据集上的实验表明，GRID在场景多样性、真实性和尾部风险覆盖方面均优于RL和MCMC基线。
50%待验证当潜在过程维度很高或模型复杂到使MCMC不可行时，传统MCMC方法会遭遇瓶颈
50%待验证引导扩散方法可以应用于MCMC不可行的模型，拓展了可建模问题的边界
50%待验证传统贝叶斯聚类方法面临三个结构性瓶颈：需要显式指定似然-先验模型、依赖代价高昂的MCMC采样、以及变分近似带来的模式搜寻偏差
50%待验证由于摆脱了MCMC的序列依赖，该框架的后验样本可以并行抽取
50%待验证控制变量（control variates）是降低MCMC估计量方差的经典手段，通过构造一个期望已知、与目标函数高度相关的辅助变量来抵消随机波动
50%待验证将推测采样迁移到扩散模型的挑战在于扩散模型的采样空间是连续高维分布而非离散词表，需重新设计接受-拒绝规则
50%待验证能量模型（EBM）训练便宜但采样昂贵，因为每次采样都需运行完整的MCMC链，没有摊销采样成本
50%待验证引入结构化联合采样（如Gibbs采样或MCMC校正）可近似真实联合分布，但代价是推理复杂度上升
50%待验证MCMC和哈密顿蒙特卡洛(HMC)是蒙特卡洛方法的现代变体，提升了采样效率并使贝叶斯方法能应用于高维复杂模型
50%