- 估计条件 Shapley 值方法的比较研究及其应用
本文主要研究如何使用 Monte Carlo 积分或回归来模拟条件期望值以估计 Shapley 值,以及对现有方法进行改进和系统化分类,并进行广泛的模拟和实际数据实验来评估和推荐何时使用不同的方法类。
- 控制变量切片 Wasserstein 估计器
本文提出了一种控制变量的方法以减少蒙特卡罗方法计算的切片 Wasserstein 距离的方差,并通过图像和点云比较、渐进流和深度生成建模方面的案例来验证该方法的有效性。
- 使用蒙特卡罗渲染和去噪从图像中分解形状、光线和材料
本文研究了不同渲染技术的发展,提出一种整合了射线追踪、蒙特卡罗积分、多种重要性采样和去噪的反渲染流程,可以有效地重建三角网格几何、材质和光照,改善材质和光照分离,并提高梯度优化的效果和收敛速度。
- 变分量子幅度估计
本文提出一种新的基于变分近似状态的恒定深度量子电路进行振幅估计的方法,结合最大似然振幅估计与自适应变分量子振幅估计,比起经典蒙特卡罗采样具有更高计算性能。
- ICML摊销蒙特卡罗积分
本文提出了 AMCI 方法直接将蒙特卡罗积分的摊销集成,与基于摊销的推理类似,但产生了三个不同的摊销方案,每个方案都针对整体期望计算的不同部分。我们证明,AMCI 可以在运行时从每个摊销提案中仅使用一个样本来理论上实现任何积分目标函数的任意 - 深度无监督基数估计
使用自动回归模型进行基数估计,提出了一种可处理多维关系表密集统计的新方法。通过蒙特卡罗积分方案,无需独立性假设,即可近似联合数据分布,实现单位误差计算效率,可显著提高准确性和系统运行效率。
- 神经重要性采样
本文介绍了基于深度神经网络的非线性独立分量估计(NICE)用于 Monte Carlo 积分中样本生成的应用,并介绍了分段多项式耦合变换、一块编码、基于梯度下降的 KL 和 χ2 散度优化等提高模型性能的改进方案。通过应用于生成自然图像以及 - ICLRARM: 用于随机二值网络的增广 - 强化 - 合并梯度
本篇论文提出了一种叫做 ARM 估计量的反向传播算法,用于通过随机二进制层进行梯度反向传播,具有无偏差,低方差和低计算复杂性的特点。ARM 估计器通过变量增广、REINFORCE 和再参数化实现自适应方差缩减,通过公共随机数合并两个期望值。 - 蒙特卡罗卷积用于不均匀采样点云学习
本文提出了一种有效的深度学习方法,可用于非均匀采样的点云,通过将卷积核本身表示为多层感知机,将卷积视为蒙特卡罗积分问题,使用匹配多级采样的信息,并使用泊松盘采样进行点云学习。 最终,作者通过在分级网络架构中应用该方法,赢得了大多数基于点云的 - 贝叶斯优化中的收集函数最大化
贝叶斯优化是一种采样高效的全局优化方法,采用获得函数(采购函数)来引导其搜索过程。本文利用 Monte Carlo 方法估计采购函数,证明其可进行梯度优化;我们还确定了一类通用的采购函数,包括 EI 和 UCB,并证明我们可以使用贪心算法对 - 使用增强决策树和生成式深度神经网络的高效蒙特卡罗积分
本研究开发和测试了基于生成放大的决策树和深度神经网络的 Monte Carlo 积分算法,相较于现有算法,这两种算法均在对于不可分解积分的情况下,在给定目标函数评估数量的前提下展现了相当大的精度提高。在这些算法的稳健性被证明并对应矩阵元素的 - IJCAI利用斯坦效应的数据驱动随机傅里叶特征
本文提出了一种基于 Stein 效应的新型收缩估计器,用于随机特征的数据驱动加权策略,可以在核逼近和监督学习任务中提供更好的性能。
- NIPS核积分规则在错误规格设置中的收敛保证
本文探讨了一种基于核的数值积分方法,向黑匣子函数提供单一的代替方法,同时证明该方法的有效性不受核空间假设的影响,只要函数的光滑度可以通过 RKHS 或 Sobolev 空间的幂次表示甚至在光滑度假设不成立的情况下也具有收敛性。
- 帕累托平滑重要性抽样
提出了一种使用广义帕累托分布来稳定产生的重要性权重的方法,其估计量通常变化很大,而且估计值可能存在右偏重尾的问题。该方法包括已稳定的有效样本量估计,Monte Carlo 误差估计和收敛诊断。
- 序列核选样:Frank-Wolfe 优化用于粒子滤波
本文探讨了将 Frank-Wolfe 优化算法用于代替基于随机采样的粒子滤波的采样步骤,从而实现更好的精度计算,并在标准的综合类应用及机器人定位任务中获得了精度提升。
- 在线分层采样的最小化区间数目在给定噪音样本的情况下
研究了在有限的价格预算下,基于在线分层抽样和 Monte Carlo 积分的函数评估问题。证明了算法 MC-UCB 在样本数量 n 和分层数量 K 方面都是最小化的,从而推导了最小最优边界。
- 非线性随机系统控制的线性理论
本文研究噪音在随机最优控制问题中的作用以及高效计算的问题,通过将一类非线性控制问题转换成路径积分形式,探讨噪音在其中的作用,并针对这个问题提出蒙特卡罗积分或拉普拉斯逼近等高维随机控制问题的解法。