非対数凹分布向けランダム化分割Langevin Monte Carlo法で勾配評価コストを削減
勾配リプシッツ条件を超えて超線形成長するポテンシャルにも対応し、W2距離でO(√d h)の誤差限界を達成。（原題: When Langevin Monte Carlo Meets Randomization: New Sampling Algorithms with Non-asymptotic Error Bounds beyond Log-Concavity and Gradient Lipschitzness）
リリース: 2025-09-30 · 読了 5 分何が起きた
対数凹性を仮定しない高次元分布からのサンプリング手法RSLMCを提案
従来のRLMCと比較して勾配評価回数を削減し計算コストを低減
W2距離においてO(√d h)の時間一様誤差限界を理論的に証明
非大域的リプシッツかつ超線形成長する勾配を持つポテンシャルにも対応
なぜ重要
複雑な高次元分布からのサンプリング効率を向上させ、統計学習や科学計算の基盤を強化する
従来の厳しい仮定（対数凹性等）を緩和し、より広範なモデルへの適用を可能にする
👁️ 開発者
ベイズ推論や複雑な事後分布からのサンプリングを必要とする機械学習モデルにおいて、計算コストを抑えつつ精度を担保するアルゴリズムの選択肢が広がる。
🇯🇵 日本
国内の統計数理や計算科学の研究分野において、高次元データ解析の理論的基盤の強化に寄与する。