该研究介绍了基于重要性加权算法的深度生成网络，该算法可以在无法直接访问目标分布的情况下，估计与目标分布相对的损失函数，并在理论和实践上表现出色。

Jun, 2018

机器学习模型中，在空间数据（例如环境研究中常见的数据）中，估计错误往往很复杂、存在分布偏差。我们介绍了一种基于重要性采样思想的方法，以获取目标误差的无偏估计。通过考虑期望误差与可用数据之间的差异，我们的方法在每个样本点上重新加权错误，并抵消偏移。重要性采样技术和核密度估计用于重新加权。我们使用模拟真实空间数据集的人造数据验证了我们方法的有效性。我们的研究结果表明，该方法在目标误差估计方面具有优势，为分布偏移问题提供了解决方案。预测的整体误差从 7% 降至仅为 2%，并且随着样本量的增加而减小。

Sep, 2023

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

提供了一个实用的、统计上连贯的方案，可在通用损失函数下主动学习二分类器，该算法使用重要性加权来纠正抽样偏差，并通过控制变量来给出严格的标签复杂性界限，实验表明，该方法减少了实现许多学习问题的良好预测性能所需的标签复杂性。

Dec, 2008

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

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

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

本文提出了一种时间相关的重要性重新加权方法来减轻扩散模型中的数据集偏差，并证明了时间相关密度比方法相较于之前的方法更准确，从而在生成学习中最小化误差传播。通过将时间相关密度比用于重新加权和得分校正，可以获得一个可行的目标函数来重建无偏数据密度。此外，本文理论上建立了与传统得分匹配的联系，并证明了其收敛于无偏分布。实验证据支持了该方法的有效性，它在包括 CIFAR-10、CIFAR-100、FFHQ 和 CelebA 在内的多种偏差设置下胜过了基线方法。

Mar, 2024

本文基于分布稳定性的新概念，对样本选择偏差校正进行了理论分析，研究了两种估计技术：基于簇的估计技术和核均值匹配，以及使用这些技术对几个数据集进行样本偏差校正实验。

May, 2008

本文提出了一种新颖的权重分组准确度估计方法，以解决由于分布变化导致的模型校准和模型选择困难，实验证明了分组准确度估计在提高模型校准和模型选择上的有效性，强调了在无监督领域适应中解决挑战的重要性。

Oct, 2023