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
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
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
本文提出了首个具有重要性采样的导数无关优化方法,并针对非凸、凸和强凸函数推导出新的改进的复杂性结果。作者进行了大量实验,证实该算法在高维连续控制问题中具有实用性。
Feb, 2019
本文研究了使用重要性抽样的随机优化算法,特别是使用重要性抽样的 Prox-SGD 和 Prox-SDCA,并提供广泛的理论分析和实验证明,使用所提出的重要性抽样方法可以显着提高收敛速度。
Jan, 2014
本工作提出一种更有效的变分推断算法,该算法采用重要性抽样估计梯度,通过评估近似参数的梯度而无需重新计算模型梯度来加速计算。引入重要性采样的随机梯度下降在一系列模型中优于标准随机梯度下降,同时提供了一种可证明的随机平均梯度变体,可用于变分推断。
Apr, 2017
研究了从指数族抽取重要样本的 Monte Carlo 估计器的方差是分布的自然参数的一个凸函数,提出了一种自适应抽样算法,既改善了抽样分布的选择,同时积累了 Monte Carlo 估计结果,利用了凸性,证明了该方法的无偏估计具优越的渐进方差。
Dec, 2014
本文提出了一种基于 Heuristic 和 Bandit 反馈的在线优化算法,可以寻找一种重要性采样分布序列,竞争力可以与后见之明得到的最佳固定分布相媲美,并在实验验证中证明了该算法在多个数据集和设置下有效的优点。
Feb, 2018
提出了一种使用广义帕累托分布来稳定产生的重要性权重的方法,其估计量通常变化很大,而且估计值可能存在右偏重尾的问题。该方法包括已稳定的有效样本量估计,Monte Carlo 误差估计和收敛诊断。
Jul, 2015
本文提出了一种基于价值感知的重要性权重方法,可用于增强学习的离线预测模型,并在实验中进行了评估。
Jun, 2023