Local Adaptive Importance Sampling for Multivariate Densities with Strong Nonlinear Relationships
适用于强非线性关系多元密度的局部自适应重要性抽样AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要提出通用蒙特卡洛计算方法，未给出所列经济计量细分方向的应用或模型依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
适用于强非线性关系多元密度的局部自适应重要性抽样
- 研究问题
- 当多元目标密度具有强非线性关系且初始重要性分布较分散时，如何改善权重稳定性与目标量估计精度？
- 方法与思路
- 作者研究逐次使用核密度估计作为重要性分布的自适应抽样，并提出随目标密度局部结构变化而调整的方法。
- 材料陈述的贡献
- 摘要称，新方法在具有强非线性等特殊结构的目标密度下，相比所比较方法可获得更小的估计均方误差。
- 阅读关注点
- 应核对局部适应机制、核估计和迭代更新的实现，以及均方误差比较所用目标密度、预算与参照算法。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未说明比较范围、误差数值或收敛条件，不能将优势普遍化或推断刊本变化。
原文摘要
We consider adaptive importance sampling techniques that use kernel density estimates at each iteration as importance sampling functions. These can provide more nearly constant importance weights and more precise estimates of quantities of interest than the sampling importance resampling algorithm when the initial importance sampling function is diffuse relative to the target. We propose a new method that adapts to the varying local structure of the target. When the target has unusual structure, such as strong nonlinear relationships between variables, this method provides estimates with smaller mean squared error than alternative methods.