Convergence of adaptive mixtures of importance sampling schemes
自适应重要性采样混合方案的收敛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：摘要属于通用模拟算法及其收敛理论，没有所列经济计量领域的直接文本依据。
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…
自适应重要性采样混合方案的收敛
- 研究问题
- 在重要性采样中持续在线调整提议分布时，如何保证算法收敛，并判断反复更新是否能改善混合方案的目标表现？
- 方法与思路
- 作者分析总体蒙特卡洛算法的自适应混合，给出充分收敛条件，并比较 Rao–Blackwell 化与较基础的更新版本。
- 材料陈述的贡献
- 摘要称 Rao–Blackwell 化版本渐近达到 Kullback 散度准则下的最优，而较基础版本不能从反复更新中获益。
- 阅读关注点
- 应核对提议分布族、权重与更新规则、充分收敛条件，以及散度准则的最优性是否对应实际估计误差的改善。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体条件和最优性范围未说明，重要性采样结论不能直接迁移至自适应 MCMC。
原文摘要
In the design of efficient simulation algorithms, one is often beset with a poor choice of proposal distributions. Although the performance of a given simulation kernel can clarify a posteriori how adequate this kernel is for the problem at hand, a permanent on-line modification of kernels causes concerns about the validity of the resulting algorithm. While the issue is most often intractable for MCMC algorithms, the equivalent version for importance sampling algorithms can be validated quite precisely. We derive sufficient convergence conditions for adaptive mixtures of population Monte Carlo algorithms and show that Rao–Blackwellized versions asymptotically achieve an optimum in terms of a Kullback divergence criterion, while more rudimentary versions do not benefit from repeated updating.