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

通过重要性抽样作为预处理步骤来检验数据子抽样的隐私增强特性，我们发现异质性抽样概率可以同时提供更强的隐私保护和更好的效用，并以保持子样本大小的方式评估基于重要性抽样的隐私增强在 k 均值聚类问题上的隐私、效率和准确性。

Jul, 2023

本文研究黑盒重要性抽样方法，可计算从任何未知提议或黑盒机制生成的样本的重要性权重，允许我们使用更好更丰富的提议来解决困难问题，并提高了估计精度。

Oct, 2016

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

采用似然比未知的情况下可估计的概率分类器进行样本权重优化的无似然比重要加权方法，可以用于校正生成模型中的偏差问题，并提高生成模型的样本质量和性能。

Jun, 2019

本研究旨在通过优化混合成分采样率来提高多元重要性采样的效率。我们证明在控制变量回归系数和混合概率的联合情况下，多元重要性采样的采样方差是凸的，并给出了一个可用于估计样本数据中最优混合的顺序重要性采样算法。

Nov, 2014

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

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