变量一多，挑出真正有用的变量就像在一大串彼此牵连的开关里找组合：动一个，其他也可能跟着变。传统马尔可夫链蒙特卡洛（MCMC）靠随机游走逼近答案；参数高度相关时，它往往只能小步试探，产生大量相似样本。Don van den Bergh 与 Maarten Marsman 因此把目光转向分段确定性马尔可夫过程（PDMP）——一种让参数在随机事件之间沿确定路径连续运动的采样方法。
这项工作的关键设计很直观：采用 spike-and-slab 先验时，参数走到零点可以“黏住”一段随机时间，代表对应变量暂时退出模型；与此同时，其余参数仍继续运动，而不是停下来等待一次局部模型切换。作者还把既有方法从相互独立的先验扩展到变量纳入状态和参数取值都可能相关的情形，并研究用无偏随机梯度减少计算量，同时保持同一目标分布。论文在两类心理测量模型上比较 ZigZag、Bouncy Particle、Boomerang 三种 PDMP 动力学与可逆跳跃 MCMC。其价值目前主要在于提供一条面向高维相关参数的替代路线；所给材料未披露足以概括其加速幅度的单一结果数字。