Local antithetic sampling with scrambled nets
结合扰乱网的局部对偶采样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：摘要研究通用数值积分和方差缩减，未涉及指定经济或金融计量细分。
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
结合扰乱网的局部对偶采样
- 研究问题
- 在多维数值积分中，将经典对偶采样与随机化拟蒙特卡洛结合，能否进一步改善积分估计的均方根误差收敛速度？
- 方法与思路
- 作者扩展经典对偶采样，并与基于扰乱网的随机化拟蒙特卡洛结合，在被积函数具有充分光滑性时分析误差收敛。
- 材料陈述的贡献
- 摘要称，其中一种方法能够适度改善均方根误差的收敛阶；这一结论具有维度依赖性，并要求被积函数足够光滑。
- 阅读关注点
- 应核对局部对偶点的构造、扰乱网的随机化方式、函数光滑性条件，以及误差阶随维度变化和实际计算成本的关系。
- 阅读边界
- 材料为版本未注明的 OpenAlex 索引摘要。公式上下标呈平排形式，具体误差阶须查原PDF；不能据此推断一般积分问题均获改善。
原文摘要
We consider the problem of computing an approximation to the integral I=∫[0, 1]d f(x) dx. Monte Carlo (MC) sampling typically attains a root mean squared error (RMSE) of O(n−1/2) from n independent random function evaluations. By contrast, quasi-Monte Carlo (QMC) sampling using carefully equispaced evaluation points can attain the rate O(n−1+ɛ) for any ɛ>0 and randomized QMC (RQMC) can attain the RMSE O(n−3/2+ɛ), both under mild conditions on f. Classical variance reduction methods for MC can be adapted to QMC. Published results combining QMC with importance sampling and with control variates have found worthwhile improvements, but no change in the error rate. This paper extends the classical variance reduction method of antithetic sampling and combines it with RQMC. One such method is shown to bring a modest improvement in the RMSE rate, attaining O(n−3/2−1/d+ɛ) for any ɛ>0, for smooth enough f.