本文总结论文在重要性采样(importance sampling)中的泛用理论和其在贝叶斯反问题(Bayesian inverse problems)和滤波(filtering)中的应用。
Nov, 2015
通过密度比重方法,本研究论述了重要性加权在统计学和机器学习中的广泛应用及其与相关研究的关联。
Mar, 2024
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
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。
本论文提出了首个将重要性抽样技术与 Minibatching 相结合的方法,并在多个数据集上进行了验证,结果展现了训练时间方面数个数量级的改善。
Feb, 2016
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
本文提出一种有效的计算深度学习模型中 loss value 的方法,它使用小型模型在并行训练时提高了深度学习优化中重要抽样的应用。结果表明,此方法在测试深度卷积和递归神经网络的图像分类和语言建模任务时取得了良好的普适性。
May, 2017
本文研究了马尔可夫决策过程中,利用重要性采样评估不同数据生成策略预期回报的问题。通过实验,我们发现使用估计的行为策略可降低离线策略评估的平均平方误差,尤其是在具有非马尔可夫性的情况下。
Jun, 2018