किसी भी सामान्य नमूने एल्गोरिथ्म से, एक अनुकूलन एल्गोरिथ्म प्राप्त कर सकते हैं।
दरअसल, एक मनमाना कार्य को अधिकतम करने के लिए , यह से नमूने खींचने के लिए पर्याप्त है । के लिए , इतने छोटे, इन नमूनों समारोह के वैश्विक अधिकतम (या व्यवहार में स्थानीय मॅक्सिमा) के पास गिर जाएगी ।
"नमूनाकरण" से मेरा मतलब है, एक वितरण से एक छद्म यादृच्छिक नमूना खींचना एक निरंतरता के लिए ज्ञात लॉग-लाइबिलिटी फ़ंक्शन को दिया जाता है। उदाहरण के लिए, MCMC नमूनाकरण, गिब्स नमूनाकरण, बीम नमूनाकरण, आदि "अनुकूलन" से मेरा मतलब किसी दिए गए फ़ंक्शन के मूल्य को अधिकतम करने वाले मापदंडों को खोजने का प्रयास है।
क्या रिवर्स संभव है? एक फ़ंक्शन या एक संयोजन अभिव्यक्ति की अधिकतम खोजने के लिए एक अनुमानी को देखते हुए, क्या हम एक कुशल नमूनाकरण प्रक्रिया निकाल सकते हैं?
उदाहरण के लिए HMC ग्रेडिएंट जानकारी का लाभ उठाती है। क्या हम एक नमूनाकरण प्रक्रिया का निर्माण कर सकते हैं जो बीएफजीएस-जैसे हेसियन के सन्निकटन का लाभ उठाती है? (संपादित करें: जाहिरा तौर पर हाँ: http://papers.nips.cc/paper/4464-quasi-newton-methods-for-markov-chain-monte-carlo.pdf ) हम मिश्रित समस्याओं में MCTS उपयोग कर सकते हैं, हम अनुवाद कर सकते हैं कि एक नमूना प्रक्रिया में?
संदर्भ: नमूना लेने में कठिनाई अक्सर यह होती है कि प्रायिकता वितरण का अधिकांश द्रव्यमान बहुत छोटे क्षेत्र में होता है। ऐसे क्षेत्रों को खोजने के लिए दिलचस्प तकनीकें हैं, लेकिन वे निष्पक्ष नमूने प्रक्रियाओं में सीधे अनुवाद नहीं करते हैं।
संपादित करें: मुझे अब यह आभास हो रहा है कि इस प्रश्न का उत्तर कुछ हद तक जटिलता वर्गों #P और NP की समानता के बराबर है, जिससे उत्तर "नहीं" हो सकता है। यह समझाता है कि हर नमूना तकनीक एक अनुकूलन तकनीक क्यों देती है लेकिन इसके विपरीत नहीं।