On a Likelihood Approach for Monte Carlo Integration
蒙特卡洛积分的似然方法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：摘要讨论通用蒙特卡洛积分与效率理论，没有所列领域细分的明确应用依据。
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
蒙特卡洛积分的似然方法
- 研究问题
- 从多个分布独立模拟观测进行积分估计时，似然方法在归一化常数已知或未知的情况下，能达到怎样的渐近效率？
- 方法与思路
- 作者将基准测度视为待估对象，先以极大似然估计该测度再代入积分，并分别研究归一化常数未知和已知的情形。
- 材料陈述的贡献
- 摘要称在所研究的两种情形中，似然方法达到估计方程方法可实现的最低渐近方差，并讨论桥采样、重要性采样和控制变量。
- 阅读关注点
- 核对最低方差结论对应的估计方程范围、各设计分布的抽样配置，以及已知归一化常数如何形成测度的线性约束。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；效率结论限定于摘要所述独立模拟与比较框架，不能推广到任意蒙特卡洛算法。
原文摘要
The use of estimating equations has been a common approach for constructing Monte Carlo estimators. Recently, Kong et al. proposed a formulation of Monte Carlo integration as a statistical model, making explicit what information is ignored and what is retained about the baseline measure. From simulated data, the baseline measure is estimated by maximum likelihood, and then integrals of interest are estimated by substituting the estimated measure. For two different situations in which independent observations are simulated from multiple distributions, we show that this likelihood approach achieves the lowest asymptotic variance possible by using estimating equations. In the first situation, the normalizing constants of the design distributions are estimated, and Meng and Wong's bridge sampling estimating equation is considered. In the second situation, the values of the normalizing constants are known, thereby imposing linear constraints on the baseline measure. Estimating equations including Hesterberg's stratified importance sampling estimator, Veach and Guibas's multiple importance sampling estimator, and Owen and Zhou's method of control variates are considered.