Feb, 2021

重要性抽样的进展

PDF
TL;DR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。
importance samplingmonte carlobayesian paradigmmultiple isadaptive is
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 自适应多重重要性采样

    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。

    Jul, 2009

  • 重要性抽样：内在维度与计算成本

    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

  • 策略梯度与主动重要性抽样

    通过交替使用最小方差行为策略的对交叉熵估计和实际策略优化，结合防御性重要性采样，我们提供了一个迭代算法，理论上分析了该算法的收敛速度，并提供了经过数值验证的实际版本，展示了在策略梯度估计方差和学习速度方面的优势。

    May, 2024

  • 重新思考有效样本数

    本文重访了有效样本量（ESS）在重要性采样（IS）中的近似，得出该近似难以被视为 ESS 的合理近似，并提出了替代指标的若干方法。

    Sep, 2018