Jul, 2009

自适应多重重要性采样

PDF
TL;DR该研究提出了采用 Adaptive Multiple Importance Sampling (AMIS) 算法来优化迭代重要性采样过程中过去模拟结果的循环利用，通过一个香蕉形状目标分布和一个人口遗传学实例的实验，证明了该算法的实效性。
adaptive multiple importance samplingiterated importance samplingdeterministic multiple mixture estimatorconvergence propertiespopulation genetics
发现论文，激发创造
  • 基于集成的退火重要采样

    通过结合种群基 Monte Carlo 方法来提高时间片 C 与均值场极限下的整体演变效率，我们提出了一个基于模型的 Annealed Importance Sampling (AIS) 的集成版本。

    Jan, 2024

  • 高效的多重重要性采样估计器

    本文介绍了一种基于集合划分的新的多重重要性采样方法，该方法通过权重计算的高效折衷来减少方差和计算复杂度，并提供了相关的计算机模拟结果。

    May, 2015

  • 重要性抽样的进展

    本文介绍了 Monte Carlo 技术中的 Importance Sampling 算法及其应用，重点探讨了多重 IS 和自适应 IS 这两种先进的 IS 变体。

    Feb, 2021

  • 广义多重重要性抽样

    本研究在多个 proposal 分布下建立了一个新的 Importance Sampling 方法，支持多个 proposal 下的权重分配并可以通过优化 proposal 分布的选择来提高算法效率。

    Nov, 2015

  • 自适应重要性抽样的渐近最优性

    本文提出了自适应重要性采样方法，并探讨了采样策略和权重更新对采样效率产生的影响。除此之外，还介绍了一种新的加权采样方法，可以帮助快速排除低效样本。

    Jun, 2018

  • 分层自适应重要性采样

    本文介绍了一种使用分层（即分级）策略生成样本的蒙特卡罗方法，其中使用了多项提案密度和多种重要性采样方法，在保证性能的基础上，提出了一种新的自适应重要性采样算法。

    May, 2015

  • 一般混合类中的自适应重要性抽样

    本文提出一种自适应算法，通过迭代地更新混合重要性采样密度的权重和组分参数，以优化重要性采样性能，该方法适用于广泛类别的重要性采样密度，包括特别是多元学生 t 分布的混合物，实验表明，该算法在人工和实际例子上的表现都很好，并且特别突出了一个新颖的 Rao-Blackwellisation 装置的好处，该装置可以轻松地纳入更新方案中。

    Oct, 2007

  • 基于得分的扩散遇上退火重要性采样

    本文介绍了使用分数比建模得到优化的扩展目标分布加上 Langevin 和 Hamiltonian 动力学离散化的 AIS 建议来估计边缘似然值的方法。

    Aug, 2022

  • 神经网络中的高效贝叶斯推断：通过自适应重要性抽样实现

    本文提出了一种名为 PMCnet 的新算法，该算法采用自适应重要性采样技术，利用复杂的（通常是多峰的）后验概率分布的几何信息，为设计贝叶斯神经网络提供了成功的方法，以实现在医疗保健或自动驾驶等决策重要性较大的领域中的机器学习应用，并同时降低了计算成本。

    Oct, 2022

  • 自适应采样与重要性采样的高效梯度估计

    通过提出的自适应方法和重要性采样方法，在机器学习框架中有效地整合了重要性函数，并仅通过输出层的损失梯度提出了一个简化的重要性函数，以实现在分类和回归任务中更好的收敛性和最小的计算开销。

    Nov, 2023