什么是 椭圆切片采样（Elliptical Slice Sampling）？
椭圆切片采样（Elliptical Slice Sampling）是一种面向多变量高斯先验潜变量的马尔可夫链蒙特卡洛方法，它沿椭圆搜索满足似然切片阈值的新状态。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
沿保持先验不变的椭圆旋转
对中心化先验 f ~ N(0, Sigma)，抽取辅助方向 nu ~ N(0, Sigma)，再定义 f(theta) = f cos(theta) + nu sin(theta)。旋转保持 (f, nu) 的联合高斯分布，所以接受比无需再次纳入先验项。若先验均值不为零，必须先中心化，旋转后再恢复均值。
Murray、Adams 与 MacKay 的原始论文为潜在高斯与 Gaussian Process 模型推导了该更新。高斯先验分解是定义性假设，不是可选的实现便利。
收缩似然切片的角度区间
先抽取 logY = log L(f) + log(U)，再从完整一周中均匀选取初始角度，并建立宽度为 2*pi 的角度区间。若旋转候选的似然低于阈值，就从拒绝点所在一侧收缩区间并继续抽取，直至找到有效状态。
当前状态必须始终留在区间内，这既保证常规有限似然条件下终止，也是保持目标分布不变的关键。随意改变区间规则、用后验协方差旋转，或把高斯先验再次计入 log L，都会定义不同且可能错误的转移。
同时衡量似然成本与后验移动
ESS 没有 Proposal Step Size，但每个保留状态可能消耗多次似然求值。Likelihood 很集中或约束尖锐时，接受角度可能很小并产生强自相关；采样前的稠密协方差分解也可能成为主要开销。
应记录似然求值次数、接受角度位移、Bulk/Tail Effective Sample Size、Monte Carlo Error、多链一致性与墙钟时间。同一报告还讨论有效样本量时，应写出 Elliptical Slice Sampling 全称，避免两个 ESS 缩写混淆。
主要特点
- 要求多变量高斯先验或等价的变换表示
- 沿当前状态与独立先验 Draw 构成的椭圆旋转
- 只对 Likelihood Factor 应用切片阈值
- 通过收缩角度区间寻找可接受状态
- 不需要 Proposal Scale 或目标接受率调参
- 面对集中似然或分离模态仍可能混合缓慢
常见用途
- 潜在 Gaussian Process 分类与计数模型
- 空间或时间潜在高斯场
- 采用高斯先验的贝叶斯反问题
- 强相关潜向量的推断基线
- 大型分块采样器中的无梯度更新
示例
Loading code...常见问题
椭圆切片采样与普通切片采样有什么区别？
普通切片采样搜索完整目标的水平集，常按坐标或选定方向更新。椭圆切片采样利用已知高斯先验沿椭圆移动，只对 Likelihood 设置切片阈值。
椭圆切片采样真的不需要调参吗？
它没有随机游走步长或目标接受率，但仍需要正确的高斯先验均值与协方差表示。数值分解、参数化、Blocking 方式和似然求值成本都会显著影响效率。
非高斯先验可以直接使用椭圆切片采样吗？
不能直接使用。椭圆更新依赖两个独立高斯 Draw 的旋转不变性。模型可以变换为潜在高斯表示，但必须正确推导变换及其对 Likelihood 的贡献。
椭圆切片采样每轮都会产生独立样本吗？
不会。每条椭圆都以当前状态为起点，因此保留状态仍构成马尔可夫链。多链、自相关型有效样本量、Monte Carlo Error 与模态覆盖仍是必要诊断。
椭圆切片采样何时会效率较低？
Likelihood 只占先验椭圆很窄区域时，每轮可能需要大量似然求值，且接受角度很小。稠密先验协方差操作和分离后验模态也可能主导总成本。