📊 statistics

A coupling-based approach to f-divergences diagnostics for Markov chain Monte Carlo

यह शोध पत्र मार्कोव चेन मोंटे कार्लो के लिए एक नवीन, कपलिंग-आधारित अभिसरण नैदानिक (convergence diagnostic) प्रस्तुत करता है जो सुसंगत महत्व भार (importance weights) और किसी भी $f$ -डाइवर्जेंस के लिए गणनीय ऊपरी सीमाएँ प्रदान करने के लिए एक "वेट हार्मोनाइजेशन" योजना का उपयोग करता है, जिससे सैद्धांतिक अभिसरण विश्लेषण और व्यावहारिक नैदानिकों के बीच के अंतर को पाटा जा सके।

मूल लेखक: Adrien Corenflos, Hai-Dang Dau

प्रकाशित 2026-06-04

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Adrien Corenflos, Hai-Dang Dau

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप केक की एक आदर्श रेसिपी खोजने की कोशिश कर रहे हैं (जिसे टारगेट डिस्ट्रीब्यूशन या $\pi$ कहा जाता है)। आपके पास रेसिपी कार्ड नहीं है, लेकिन आपके पास एक बहुत ही समझदार, लेकिन थोड़ा भ्रमित बेकर (जिसे मार्कोव चेन कहा जाता है) है जो बार-बार केक बनाने की कोशिश करता रहता है। हर बार जब बेकर कोशिश करता है, तो वह एक ऐसा केक बनाता है जो लगभग सही होता है, लेकिन शायद थोड़ा ज्यादा नमकीन या कम मीठा होता है।

समय के साथ, जैसे-जैसे बेकर अभ्यास करता रहता है, उसके केक आदर्श रेसिपी के करीब आते जाते हैं। लेकिन समस्या यह है: आप कैसे जानेंगे कि बेकर ने आखिरकार रेसिपी में महारत हासिल कर ली है? और इससे भी महत्वपूर्ण बात यह है कि यदि उन्होंने अभी तक महारत हासिल नहीं की है, तो क्या आप अभी भी उनके "लगभग सही" केक का उपयोग यह पता लगाने के लिए कर सकते हैं कि आदर्श रेसिपी का स्वाद कैसा होगा?

यह शोध पत्र इन सवालों के जवाब देने के लिए एक नया टूल पेश करता है। इसे वेट हार्मोनाइजेशन वाया कपलिंग (Weight Harmonization via Coupling) कहा जाता है। यह सरल उपमाओं का उपयोग करके कैसे काम करता है, यहाँ दिया गया है:

1. समस्या: "लैग" और "अनुमान"

अतीत में, सांख्यिकीविदों के पास यह जाँचने के दो मुख्य तरीके थे कि बेकर कैसा प्रदर्शन कर रहा है:

"गेलमैन-रुबिन" चेक: आप दस अलग-अलग बेकरों को अलग-अलग बेक करने के लिए कहते हैं। यदि वे सभी स्वाद पर सहमत होते हैं, तो आप मान लेते हैं कि वे सही रेसिपी के करीब हैं। लेकिन यह केवल यह जाँचता है कि वे एक-दूसरे के साथ सहमत हैं या नहीं, न कि यह कि वे वास्तव में सही हैं या नहीं।
"कपलिंग" चेक: आप दो बेकरों को लेते हैं और उन्हें बिल्कुल समान सामग्री और चरणों का उपयोग करने के लिए मजबूर करते हैं। यदि वे अंततः एक ही समय में बिल्कुल एक जैसा केक बनाते हैं, तो आप जानते हैं कि वे सच्चाई के करीब हैं। हालाँकि, इस पद्धति के लिए आमतौर पर आपको परिणामों पर भरोसा करने से पहले लंबे समय तक (एक "वार्म-अप" अवधि) प्रतीक्षा करने की आवश्यकता होती है, और यह केवल यह बताता है कि वे कितने दूर हैं, यह नहीं कि केक्स को कैसे ठीक किया जाए।

2. समाधान: "ट्विन बेकर" सिस्टम

लेखक एक चतुर नया सिस्टम प्रस्तावित करते हैं। कल्पना कीजिए कि आपके पास जोड़ों में काम करने वाले 200 बेकर (पार्टिकल्स) हैं।

सेटअप: आप 200 बेकरों के साथ शुरू करते हैं, जिनमें से प्रत्येक के पास रेसिपी का थोड़ा अलग "अनुमान" है।
कपलिंग (ट्विन ट्रिक): आप उन्हें जोड़ियों में बाँट देते हैं (बेकर 1 को बेकर 101 के साथ, बेकर 2 को बेकर 102 के साथ, आदि)। आप उन्हें एक विशेष "कपलिंग" तकनीक का उपयोग करके साथ मिलकर बेक करने के लिए मजबूर करते हैं। इसका मतलब है कि यदि बेकर 1 एक अंडा गिराता है, तो बेकर 101 भी एक अंडा गिराता है। वे एक-दूसरे की नकल करने की पूरी कोशिश कर रहे हैं।
मिलन: कभी-कभी, शुद्ध भाग्य या डिजाइन के कारण, बेकर 1 और बेकर 101 के हाथ में बिल्कुल एक जैसा केक आ जाता है। वे "मिल" गए हैं।

3. जादू: "वेट हार्मोनाइजेशन"

यही मुख्य नवाचार है। पुराने तरीकों में, जब दो बेकर मिलते थे, तो आप बस उसे नोट करते थे और आगे बढ़ जाते थे। इस नए तरीके में, जब दो बेकर मिलते हैं, तो वे अपने स्कोर को मर्ज (विलय) कर देते हैं।

वेट्स (भार): प्रत्येक बेकर एक "स्कोर" (एक वेट) के साथ शुरू करता है जो उनके वर्तमान अनुमान के कितने अच्छे होने का प्रतिनिधित्व करता है।
हार्मोनाइजेशन: जब बेकर 1 और बेकर 101 मिलते हैं और एक ही केक बनाते हैं, तो वे दो अलग-अलग व्यक्तियों के रूप में नहीं रहते जिनके अलग-अलग स्कोर हों। वे एक टीम बन जाते हैं। वे अपने स्कोर का औसत निकालते हैं। यदि बेकर 1 का स्कोर उच्च था और बेकर 101 का स्कोर निम्न था, तो अब दोनों के पास एक मध्यम स्कोर होता है।
शफल (क्रम परिवर्तन): यह सुनिश्चित करने के लिए कि हर कोई हर किसी से सीख सके, सिस्टम लगातार जोड़ियों को बदलता (शफल करता) रहता है। बेकर 1 बेकर 101 के साथ, फिर अगली बार बेकर 105 के साथ जुड़ सकता है। यह "अच्छे स्कोर" और "बुरे स्कोर" को पूरे समूह में फैला देता है।

4. यह आपको क्या देता है

यह प्रक्रिया दो शक्तिशाली चीजें बनाती है:

A. एक "ट्रुथ मीटर" (डायग्नोस्टिक)
सिस्टम एक संख्या की गणना करता है जो आपको बताती है कि स्कोर कितना "अव्यवस्थित" है।

यदि स्कोर बहुत बिखरे हुए हैं (कुछ बेकर सोचते हैं कि केक एकदम सही है, अन्य सोचते हैं कि यह जल गया है), तो संख्या उच्च होती है। इसका मतलब है कि बेकर अभी तक अभिसरण (converge) नहीं हुए हैं।
जैसे-जैसे बेकर बेकिंग और अपने स्कोर को मर्ज करना जारी रखते हैं, संख्या गिरती जाती है। जब संख्या शून्य हो जाती है, तो इसका मतलब है कि सभी बेकरों का स्कोर और केक एक ही है। आप निश्चित रूप से जानते हैं कि उन्होंने आदर्श रेसिपी प्राप्त कर ली है।
मुख्य लाभ: पुरानी विधियों के विपरीत, यह तुरंत पहले चरण से ही काम करता है। आपको शुरू करने के लिए "वार्म-अप" अवधि की प्रतीक्षा करने की आवश्यकता नहीं है।

B. एक "रेसिपी करेक्टर" (इम्पॉर्टेंस वेट्स)
चूँकि सिस्टम हर बेकर के स्कोर (वेट्स) को ट्रैक करता है, इसलिए यह परिणामों को ठीक भी कर सकता है।

यदि बेकर अभी भी थोड़े गलत हैं, तो सिस्टम जानता है कि वे कितने गलत हैं। यह कह सकता है, "बेकर 1 का केक बहुत नमकीन है, इसलिए हम इसे आधा केक मानेंगे," या "बेकर 2 का केक एकदम सही है, इसे दो केक मानें।"
यह आपको सीखने की प्रक्रिया के दौरान उत्पादित "अपूर्ण" केक्स को गणितीय रूप से आदर्श रेसिपी की तरह दिखने के लिए समायोजित करने की अनुमति देता है। इसे इम्पॉर्टेंस वेटेड इन्फरेंस कहा जाता है।

5. ट्रेड-ऑफ: रूढ़िवादी लेकिन उपयोगी

लेखक स्वीकार करते हैं कि उनकी विधि थोड़ी रूढ़िवादी (conservative) है।

एक मौसम पूर्वानुमानकर्ता की कल्पना करें। एक पुराना तरीका कह सकता है, "90% बारिश की संभावना है!" (जो कि बहुत आशावादी हो सकता है)।
यह नया तरीका कहता है, "कम से कम 40% बारिश की संभावना है।" (यह सुरक्षित है, शायद कम रोमांचक है, लेकिन यह गारंटी के साथ सच है)।
उनके पेपर के परीक्षणों में, यह तरीका पिछले "कपलिंग" तरीकों की तुलना में अधिक सतर्क था। इसने एक व्यापक सुरक्षा मार्जिन दिया। हालाँकि, लेखक तर्क देते हैं कि यह एक अच्छी बात है क्योंकि यह गारंटी देता है कि आपको धोखा नहीं दिया जा रहा है, और यह आपको "रेसिपी करेक्टर" (वेट्स) का अतिरिक्त बोनस भी देता है जो अन्य तरीकों के पास नहीं है।

सारांश

यह शोध पत्र कई कंप्यूटर सिमुलेशन (मार्कोव चेन) को एक साथ चलाने का एक नया तरीका प्रस्तुत करता है। सिमुलेशन के जोड़ों को आपस में बातचीत करने और एक दूसरे के साथ सहमति होने पर अपने आत्मविश्वास के स्कोर को "मर्ज" करने के लिए मजबूर करके, यह सिस्टम एक रियल-टाइम, गणितीय रूप से गारंटीकृत गेज बनाता है कि सिमुलेशन सच्चाई के कितने करीब हैं।

यह छात्रों के एक कमरे में परीक्षा देने जैसा है। केवल उनके खत्म होने का इंतजार करने के बजाय, आप उन्हें जोड़ियों में बांटते हैं, उन्हें उत्तरों की तुलना करने के लिए कहते हैं, और उनके आत्मविश्वास के स्तर का औसत निकालते हैं। यदि उन सभी का आत्मविश्वास और उनके उत्तर एक समान हो जाते हैं, तो आप जानते हैं कि उन्होंने इसे सही ढंग से किया है। और यदि वे अभी तक समाप्त नहीं हुए हैं, तो आप उनके औसत आत्मविश्वास का उपयोग यह अनुमान लगाने के लिए कर सकते हैं कि सही उत्तर क्या होना चाहिए।

तकनीकी सारांश: $f$ -डाइवर्जेंस डायग्नोस्टिक्स के लिए एक कपलिंग-आधारित दृष्टिकोण

समस्या विवरण

मार्कोव चेन मोंटे कार्लो (MCMC) विधियाँ लक्षित वितरण $\pi$ के तहत अपेक्षाओं (expectations) के सन्निकटन के लिए मानक हैं। जबकि सैद्धांतिक अभिसरण (convergence) का विश्लेषण अक्सर सांख्यिकीय डाइवर्जेंस (जैसे, टोटल वेरिएशन, वासेरस्टीन, $f$ -डाइवर्जेंस) का उपयोग करके किया जाता है, व्यावहारिक डायग्नोस्टिक्स ऐतिहासिक रूप से गेलमैन-रुबिन स्टैटिस्टिक जैसे मेट्रिक्स पर निर्भर रहे हैं, जो विशिष्ट फंक्शनल्स पर समझौते का आकलन करते हैं न कि स्टेशनैरिटी के प्रति चेन के मौलिक अभिसरण का।

मौजूदा कपलिंग-आधारित डायग्नोस्टिक्स, जैसे कि बिस्वास एट अल. (2019) द्वारा दिए गए हैं, टोटल वेरिएशन (TV) और वासेरस्टीन दूरियों के लिए गणनीय ऊपरी सीमाएँ (computable upper bounds) प्रदान करते हैं। हालाँकि, इन विधियों की कुछ सीमाएँ हैं:

दायरा (Scope): वे आम तौर पर TV और वासेरस्टीन मेट्रिक्स तक ही सीमित हैं, और सामान्य $f$ -डाइवर्जेंस (जैसे, कुलबैक-लीब्लर, $\chi^2$ ) के लिए एक एकीकृत ढांचे का अभाव है।
उपयोगिता (Utility): वे मुख्य रूप से अलर्ट टूल्स (गैर-अभिसरण की चेतावनी देने वाले उपकरण) के रूप में कार्य करते हैं, लेकिन वर्तमान चेन वितरण $\mu_t$ और लक्ष्य $\pi$ के बीच के अंतर को ठीक करने के लिए कोई तंत्र प्रदान नहीं करते हैं। विशेष रूप से, यह जानना कि $\|\mu_t - \pi\|_{TV} < \epsilon$ , $\mu_t$ के ज्ञान को $\pi$ के ज्ञान में अनुवादित करने की अनुमति नहीं देता है।
वार्म-अप आवश्यकताएं (Warm-up Requirements): कुछ कपलिंग-आधारित विधियों को यह सुनिश्चित करने के लिए एक पूर्व-निर्धारित लैग या वार्म-अप अवधि की आवश्यकता होती है कि चेन पर्याप्त रूप से मिश्रित (mixed) हो गई है ताकि डायग्नोस्टिक्स वैध हो सकें।

लेखक एक अंतराल की पहचान करते हैं: किसी भी $f$ -डाइवर्जेंस के लिए कोई सामान्य, ऑनलाइन, गणनीय डायग्नोस्टिक नहीं है जो रेडोन-निकोडिम डेरिवेटिव $d\pi/d\mu_t$ के सुसंगत अनुमानों को एक साथ प्रदान करता हो, जिससे इम्पोर्टेंस-वेटेड इन्फरेंस (importance-weighted inference) सक्षम हो सके।

कार्यप्रणाली: कपलिंग्स के माध्यम से वेट हार्मोनाइजेशन (Weight Harmonization)

यह शोध पत्र एक नवीन एल्गोरिदम, वेट हार्मोनाइजेशन (Weight Harmonization) प्रस्तावित करता है, जो सुसंगत इम्पोर्टेंस वेट्स और अभिसरण डायग्नोस्टिक्स उत्पन्न करने के लिए समानांतर इंटरैक्टिंग मार्कोव चेन्स को चलाता है।

मुख्य तंत्र

यह विधि $2N$ कणों (चेन्स) का उपयोग करती है जो एक $\pi$ -इनवेरिएंट कर्नेल $K$ के तहत विकसित होते हैं। स्वतंत्र समानांतर चेन्स के विपरीत, ये कण कपलिंग्स और वेट एवरेजिंग के माध्यम through परस्पर क्रिया करते हैं:

कपलिंग (Coupling): प्रत्येक चरण $t$ पर, कणों के जोड़े $(X^n_t, X^{m}_t)$ को एक कपल्ड कर्नेल $\bar{K}$ का उपयोग करके विकसित किया जाता है। यह कपलिंग इस तरह से डिज़ाइन की गई है कि प्रत्येक चेन की मार्जिनल डायनेमिक्स $K$ बनी रहती है, लेकिन चेन्स के मिलने ( $X^n_{t+1} = X^m_{t+1}$ ) की संयुक्त प्रायिकता सकारात्मक होती है।
वेट एवरेजिंग (भार औसत): जब दो कपल्ड कण मिलते हैं (अर्थात, उनकी अवस्थाएं समान हो जाती हैं), तो उनके संचित इम्पोर्टेंस वेट्स का औसत निकाला जाता है। यदि $X^n_{t+1} = X^{m}_{t+1}$ , तो नए वेट्स $W^n_{t+1} = W^m_{t+1} = (W^n_t + W^m_t)/2$ सेट किए जाते हैं। यदि वे नहीं मिलते हैं, तो वेट्स अपरिवर्तित रहते हैं।
रीशफलिंग (Reshuffling/विनिमय): सिस्टम को अलग-थलग जोड़ों में स्थिर होने से रोकने के लिए, एल्गोरिदम समय-समय पर कणों की पेयरिंग को रीशफल करता है। जो जोड़े पहले ही कपल हो चुके हैं, उन्हें अन्य चेन्स के साथ सूचनाओं का आदान-प्रदान करने के लिए रैंडमाइज किया जाता है, जिससे वेट सूचना का वैश्विक मिश्रण (global mixing) सुनिश्चित होता है।

सैद्धांतिक आधार

यह विधि इस अवधारणा पर आधारित है कि भारित एम्पिरिकल मेजर $\sum W^m_t \delta_{X^m_t}$ लक्ष्य $\pi$ की ओर अभिसरित होता है।

सुसंगतता (Consistency): थ्योरम 2 स्थापित करता है कि किसी भी बाउंडेड फंक्शन $\varphi$ के लिए, भारित एस्टिमेटर $\sum W^m_t \varphi(X^m_t)$ जैसे कि $N \to \infty$ होने पर $\int \varphi d\pi$ की ओर प्रायिकता में अभिसरित होता है।
डाइवर्जेंस बाउंड्स (Divergence Bounds): डिस्क्रीट वेटेड मेजर पर लेम्मा 1 लागू करके, लेखक यह सिद्ध करते हैं कि मात्रा $\frac{1}{2N} \sum f(2N W^m_t)$ $f$ -डाइवर्जेंस $D_f(\pi \| \mu_t)$ के लिए एक संभाव्य ऊपरी सीमा के रूप में कार्य करती है।
अभिसरण (Convergence): थ्योरम 3 सिद्ध करता है कि एर्गोडिसिटी और कपलिंग धारणाओं के तहत, वेट्स यूनिफॉर्मिटी ( $1/2N$ ) की ओर अभिसरित होते हैं, जिससे डाइवर्जेंस बाउंड्स लगभग निश्चित रूप से (almost surely) शून्य की ओर अभिसरित होते हैं। थ्योरम 4 आगे दिखाता है कि एक यूनिफॉर्म कपलिंग धारणा के तहत, यह अभिसरण तेजी से (exponentially fast) होता है।

प्रमुख योगदान

सामान्य $f$ -डाइवर्जेंस डायग्नोस्टिक्स: यह पेपर किसी भी $f$ -डाइवर्जेंस (जिसमें KL, $\chi^2$ , हेलिंगर और TV शामिल हैं) के लिए पहला सामान्य अभिसरण डायग्नोस्टिक पेश करता है, जो केवल TV या वासेरस्टीन दूरियों तक सीमित नहीं है।
ऑनलाइन वैधता: लैग-आधारित विधियों (जैसे, बिस्वास एट अल., 2019) के विपरीत, प्रस्तावित विधि पहले इटरेशन ( $t=0$ ) से ही वैध है और इसके लिए किसी पूर्व-निर्धारित वार्म-अप अवधि या लैग पैरामीटर की आवश्यकता नहीं है।
रेडोन-निकोडिम एस्टिमेशन: डायग्नोस्टिक्स के अलावा, यह विधि रेडोन-निकोडिम डेरिवेटिव $d\pi/d\mu_t$ का सुसंगत अनुमान प्रदान करती है। यह वेट्स को इम्पोर्टेंस-वेटेड इन्फरेंस के लिए उपयोग करने की अनुमति देता है, जिससे वर्तमान चेन वितरण $\mu_t$ के तहत अपेक्षाओं को $\pi$ के तहत अपेक्षाओं का अनुमान लगाने के लिए ठीक किया जा सकता है।
सैद्धांतिक गारंटी: लेखक सिद्ध करते हैं कि प्रस्तावित डाइवर्जेंस बाउंड्स समय के साथ गैर-बढ़ने वाले (non-increasing) हैं और जैसे-जैसे चेन्स स्टेशनैरिटी की ओर बढ़ती हैं, वे शून्य की ओर अभिसरित होते हैं।

अनुभवजन्य परिणाम (Empirical Results)

पेपर तीन बेंचमार्क पर विधि का मूल्यांकन करता है:

ट्रैक्टेबल गौसियन सिस्टम: एक 100-आयामी गौसियन टारगेट जहाँ सैद्धांतिक $f$ -डाइवर्जेंस गणनीय हैं। विधि $\chi^2$ -आधारित प्रभावी नमूना आकार (ESS) के लिए रूढ़िवादी ऊपरी सीमाएँ लगातार प्रदान करती है। बाउंड्स को विभिन्न मिक्सिंग दरों के बीच मजबूत दिखाया गया है, लेकिन वे कणों की संख्या बढ़ने के साथ "वर्स्ट-केस" गिरावट प्रदर्शित करते हैं, जिसका कारण युग्मवार (pairwise) प्रकृति का होना है।
लॉजिस्टिक रिग्रेशन (पॉल्या-गामा गिब्स): जर्मन क्रेडिट डेटासेट पर लागू किया गया। विधि बिस्वास एट अल. (2019) के दृष्टिकोण की तुलना में अधिक रूढ़िवादी टोटल वेरिएशन बाउंड्स उत्पन्न करती है, लेकिन ऐसा बिना उस 350-इटरेशन वार्म-अप अवधि की आवश्यकता के करती है जो पिछले मॉडल के लिए आवश्यक थी।
स्टोकेस्टिक वोलैटिलिटी (MALA): एक उच्च-आयामी ( $D=2,500$ ) स्टोकेस्टिक वोलैटिलिटी मॉडल। विधि फिर से बिस्वास एट अल. (2019) की तुलना में रूढ़िवादी TV बाउंड्स देती है, विशेष रूप से "वार्म" चरण के दौरान जहाँ लैग-आधारित विधि का बाउंड पहले ही कम होना शुरू हो गया है। लेखक नोट करते हैं कि लैग-आधारित विधि को 500-स्टेप वार्म-अप की आवश्यकता थी (जो पर्याप्त था), जबकि हार्मोनाइजेशन विधि को किसी ट्यूनिंग की आवश्यकता नहीं थी।

इन सभी मामलों में, विधि को रूढ़िवादी (conservative) बताया गया है: यह सैद्धांतिक ऑप्टिमा या अन्य एस्टिमेटर्स की तुलना में डाइवर्जेंस को अधिक आंकने (या ESS को कम आंकने) की प्रवृत्ति रखती है। हालाँकि, लेखक तर्क देते हैं कि यह रूढ़िवादिता एक विशेषता है जो यह सुनिश्चित करती है कि बाउंड विश्वसनीय ऊपरी सीमाएँ हों।

महत्व और दावे

यह पेपर दावा करता है कि यह $f$ -डाइवर्जेंस के लिए एक एकीकृत, गणनीय ढांचे के माध्यम से सैद्धांतिक अभिसरण विश्लेषण और व्यावहारिक डायग्नोस्टिक्स के बीच के अंतर को पाटता है।

डायग्नोस्टिक उपयोगिता: यह उपलब्ध मेट्रिक्स के व्यापक वर्ग के लिए एक व्यावहारिक उपकरण प्रदान करता है।
इन्फरेंस उपयोगिता: विधि का दोहरा उपयोग इसकी प्राथमिक नवीनता है: यह केवल एक डायग्नोस्टिक नहीं है बल्कि सुसंगत इम्पोर्टेंस वेट्स के लिए एक तंत्र भी है, जो वर्तमान चेन नमूनों के वितरण को ठीक करने की क्षमता प्रदान करता है—एक ऐसी क्षमता जो पिछले कपलिंग-आधारित डायग्नोस्टिक्स में नहीं थी।
सीमाएँ: लेखक स्वीकार करते हैं कि विधि मौजूदा TV एस्टिमेटर्स की तुलना में अधिक रूढ़िवादी है और वर्तमान युग्मवार कार्यान्वयन में बाउंड की दक्षता कणों की संख्या के साथ घटती है। वे इस रूढ़िवादिता को कम करने के लिए राव-ब्लैकवेलइजेशन (सभी संभावित क्रमपरिवर्तनों पर एकीकरण) और बैकवर्ड-करेक्टिंग (ऑफलाइन स्मूथिंग) को भविष्य के सुधार के संभावित मार्ग के रूप में पहचानते हैं।

यह कार्य "इम्पोर्टेंस-वेटेड MCMC" की ओर एक आधारभूत कदम के रूप में स्थित है, जहाँ कपलिंग तंत्र का उपयोग केवल अभिसरण का पता लगाने के लिए ही नहीं, बल्कि वितरण को सक्रिय रूप से सुधारने के लिए भी किया जाता है।