Sequential Quasi Monte Carlo
序贯准蒙特卡洛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：粒子滤波与模拟算法具有通用性，摘要未指定宏观时间序列或金融应用，故不强行归类。
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
序贯准蒙特卡洛
- 研究问题
- 如何将准蒙特卡洛点集引入粒子滤波，在控制每步计算成本的同时改善模拟误差，并保留常用序贯算法扩展？
- 方法与思路
- 作者构造序贯准蒙特卡洛算法，要求粒子转移可由上一期粒子与固定数量的均匀变量确定，并研究收敛性质。
- 材料陈述的贡献
- 摘要称算法具有优于通常蒙特卡洛阶的误差表现，可用于平滑、无偏似然评估及粒子MCMC，并提供数值比较。
- 阅读关注点
- 应核对误差与收敛结论的假设、粒子转移的实现方式、似然无偏性的条件，以及与SMC比较时的计算预算。
- 阅读边界
- 仅据所给Crossref摘要；摘要未说明各收敛结论的完整条件、具体实验设置及改善幅度，不能据此认定所有模型中均优于SMC。
原文摘要
Summary We derive and study sequential quasi Monte Carlo (SQMC), a class of algorithms obtained by introducing QMC point sets in particle filtering. SQMC is related to, and may be seen as an extension of, the array-RQMC algorithm of L'Ecuyer and his colleagues. The complexity of SQMC is O{Nlog(N)}, where N is the number of simulations at each iteration, and its error rate is smaller than the Monte Carlo rate OP(N−1/2). The only requirement to implement SQMC algorithms is the ability to write the simulation of particle xtn given xt−1n as a deterministic function of xt−1n and a fixed number of uniform variates. We show that SQMC is amenable to the same extensions as standard SMC, such as forward smoothing, backward smoothing and unbiased likelihood evaluation. In particular, SQMC may replace SMC within a particle Markov chain Monte Carlo algorithm. We establish several convergence results. We provide numerical evidence that SQMC may significantly outperform SMC in practical scenarios.