在可分解的图分布上实现Metropolis采样器，使用多种能够保持图可分解性的图表示方法

《Statistics》：Implementing a Metropolis sampler on decomposable graph distributions using a variety of graph representations that maintain decomposability

Giudici–Green Metropolis采样方法在可分解图中的应用研究，采用图本身、Junction Tree、Almond Tree和Ibarra clique-separator四种结构，分别处理边增删操作的可分解性验证与结构更新。实验表明原图结构计算效率较高，但其他结构可能通过不同扰动策略实现更优的接受率与混合特性，适用于多元高斯或多项式变量模型的图结构估计。

　　

摘要

我们描述了使用多种结构来实现Giudici–Green Metropolis采样方法来处理可分解图的方法，这些结构用于表示图并保持其可分解性。这些结构包括图本身、连接树（junction tree）、Almond树以及Ibarra团分离图（Ibarra clique-separator graph）。对于每种结构，我们说明了如何判断添加或删除某条边后是否会产生一个同样可分解的新图，以及在边发生扰动时需要对结构进行的更新。我们发现，在计算效率方面，使用图本身通常具有竞争力，适用于多种图分布情况；但同时也指出，其他结构可能允许使用不同的扰动方式，从而实现更低的拒绝率和/或更好的混合特性。该采样方法可用于估计多元高斯（multivariate Gaussian）或多项式（Multinomial）变量系统的图模型。