Safe and Effective Importance Sampling
安全且有效的重要性抽样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，没有明确的经济或金融计量应用方向。
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…
安全且有效的重要性抽样
- 研究问题
- 重要性抽样如何保留降方差的收益，同时限制不当抽样密度造成的方差膨胀，并处理有正负值的被积函数？
- 方法与思路
- 作者从多个密度的混合分布抽样，并将这些密度用作控制变量；另研究使用多个抽样密度逼近零抽样方差。
- 材料陈述的贡献
- 摘要称，混合与控制变量方法获得相对于最佳单一成分的渐近方差上界，并可处理同时取正负值的被积函数。
- 阅读关注点
- 应核对混合权重与控制变量系数如何确定、方差上界的条件，以及逼近零方差是否需要额外信息或特殊密度。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；上界常数和适用条件未提供，不能将渐近保证当作有限样本保证。
原文摘要
We present two improvements on the technique of importance sampling. First, we show that importance sampling from a mixture of densities, using those densities as control variates, results in a useful upper bound on the asymptotic variance. That bound is a small multiple of the asymptotic variance of importance sampling from the best single component density. This allows one to benefit from the great variance reductions obtainable by importance sampling, while protecting against the equally great variance increases that might take the practitioner by surprise. The second improvement is to show how importance sampling from two or more densities can be used to approach a zero sampling variance even for integrands that take both positive and negative values.