本研究旨在提出适用于顺序决策系统的两种自适应重要性采样算法，以高效地评估罕见事件的概率。该方法基于状态依赖的提议分布与目标分布之间的 Kullback-Leibler 散度最小化，用于减少精度方面的误差和处理多峰性提议分布的问题，并将多重重要性采样应用于多种基线以显示准确性改进。

Nov, 2022

提出了一种基于无似然推断的方法（LFBO），通过直接建模采集功能而不必单独执行概率替代模型上的推断，使 BO 扩展到更广泛的模型和实用程序类别，通过适当地选择实用程序函数（EI），LFBO 在几个实际最优化问题上优于各种最先进的黑匣子优化方法。

Jun, 2022

本文研究了贝叶斯优化中的采集函数建立方法，将多种常见采集函数转化为高斯积分以求优，最终用 Monte Carlo 估算器通过该 reparameterized 方法实现了高效并行优化选择。

Dec, 2017

基于似然比的推理原则重新考虑，提出了使用似然比构建任意时间有效的置信序列方法，适用于具有良好似然度的问题，而且结果保持模型无关的预定覆盖率；同时，研究了如何选择最佳的估计器序列以及与在线凸优化算法（例如 Follow-the-Regularized-Leader）的关联，提出了一种去偏的重新加权方案，可用于非参数设置，并通过非渐近分析确定了广义线性模型中的置信集大小，并在广义线性赌博机问题、生存分析和带有不同加性噪声分布的赌博机上展示了方法的实际优势。

Nov, 2023

该研究论文介绍了一种将重要性抽样与深度神经网络相结合的实用方法，提高了稀有事件的采样效率，并在计算物理学和材料科学领域对稀有事件进行了研究和比较。

Jan, 2024

本文提出了风险限制的财务审计 (RLFA) 的概念，包括置信序列 (CS)，重要性加权和控制变量等方法，为加强财务审计提供指导。

May, 2023

文章旨在研究如何利用贝叶斯理论和高斯过程模型从已知的概率测度中推断系统失效概率，提出了一种称为 SUR 算法的策略，用于高效地评估 f 的值。

Sep, 2010

本文提出了一种称为 NORA 的新方法，该方法利用高斯过程回归的嵌套采样并行生成近似排序的 Monte Carlo 样本，以有效生成排序一致的候选者批次，以及推断边际量。

May, 2023

基于潜在函数模型抽样的显式基于评分的 MCMC 方法，以确定性的方式演化粒子，使用核卷积逼近的方法得到评分项，表现出快速收敛性和改进的维度依赖性相对于未调整的 Langevin 算法（ULA）和 Metropolis 调整的 Langevin 算法（MALA）的混合时间界限，在二次势函数下导出了每次迭代的分布的闭式表达，表征了方差降低，实证结果表明粒子以有序的方式行动，位于潜在函数的等值线上，此外，基于提出方法的后验均值估计器相对于 ULA 和 MALA 更接近最大后验估计器，在贝叶斯逻辑回归中表现出来。

Aug, 2023

本文提出一种新的空间自适应局部 (常数) 似然估计方法，适用于广泛的非参数模型，包括高斯、泊松和二元反应模型，并建议一种新的选取程序参数的方法，同时对其优化性提出一些理论结果，并将此方法应用于分类问题的数值研究中，展示其在模拟和实际问题中的合理表现。

Dec, 2007