什么是 无掉头采样器（NUTS）？
无掉头采样器（NUTS）是一种自适应哈密顿蒙特卡洛算法，它构造可逆轨迹，并在继续运动开始折返已探索区域时停止扩展。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
在 Hamiltonian 轨迹折返前停止
设轨迹两端为 q_minus、q_plus，对应动量为 p_minus、p_plus，Euclidean U-turn Check 会判断端点位移是否与任一端点动量形成负内积；若成立，继续积分通常不会高效探索新区域。
Hoffman 与 Gelman 的 NUTS 论文通过 Recursive Doubling 构造轨迹，并从合法状态中抽样，避免仅因节点更早进入树就获得额外权重；原始方法还引入 Dual-averaging Step-size Adaptation。
自适应路径长度不等于消除调参
NUTS 会适配每次轨迹运行多长，但 Step Size 与 Mass Matrix 仍决定数值稳定性和几何匹配，现代实现通常在 Warmup 中学习它们。步长过小会让每次转移昂贵，Metric 不匹配会迫使算法构建很深的树，步长过大则可能在到达有效 U-turn 前产生 Divergence。
Maximum Tree Depth 是计算保护上限，不是收敛目标。频繁触顶意味着轨迹被截断或探索效率低；如果不同时检查模型和参数化，只提高上限可能仅仅消耗更多计算。
把 NUTS 诊断视为联合契约
Stan 参考实现把 NUTS 与 Warmup Adaptation 结合，并报告 Divergence 和 Trajectory Depth。应把这些告警与 Rank-normalized Split R-hat、Bulk/Tail ESS、Monte Carlo Error、Energy Behavior 和多个链的 Trace 一起诊断。
NUTS 仍可能漏掉隔离 Mode，也会在 Funnel、重尾目标上遇到困难，并且不能直接更新离散参数。重新参数化与修订模型往往比单纯增加 Iteration 更有效。
主要特点
- 在每次转移中自适应 HMC 轨迹长度
- 通过端点位移与动量检测折返
- 使用可逆树扩展构造候选状态
- 通常在 Warmup 中适配 Step Size 与 Metric
- 报告 Divergence 与 Maximum Tree-depth 事件
- 仍要求目标参数连续且可微
常见用途
- 概率编程中的默认连续参数采样
- 重新参数化后的层级 Bayesian Model
- 固定 HMC 路径长度难以调节的后验
- 需要稳健轨迹选择的自动推断
- 用于验证近似方法的参考后验采样
示例
Loading code...常见问题
NUTS 解决了 Hamiltonian Monte Carlo 的什么问题？
标准 HMC 需要固定 Leapfrog Step 数或 Integration Time。路径过短会出现 Random-walk 行为，过长则会折返并浪费计算；NUTS 通过可逆树扩展中的 U-turn 检测自适应路径长度。
NUTS 能消除 HMC 的全部调参吗？
不能。它免除了手工选择路径长度，但 Step Size 与 Mass Matrix 仍需适配或配置。Warmup 长度、Target Acceptance、Maximum Tree Depth、初始化和参数化依然重要。
NUTS 达到 Maximum Tree Depth 代表什么？
这表示轨迹在满足常规停止行为前触及计算上限。偶发事件未必严重，但频繁触顶要求调查效率和后验几何，不能不经分析就自动提高上限。
NUTS 的 Divergence 只是普通拒绝吗？
不是。Divergence 表示数值积分无法准确跟随局部后验几何，可能对应有偏探索。应定位相关区域，并考虑缩小步长、重新参数化、加强先验或修订模型。
NUTS 能保证发现后验的每个 Mode 吗？
不能。梯度轨迹仍可能停留在某个隔离 Mode。存在多峰可能时，应使用分散多链、领域相关初始化、预测检查、R-hat、ESS 以及专门的多峰方法。