Stopping-Time Resampling for Sequential Monte Carlo Methods
序贯蒙特卡洛方法的停时重采样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：摘要聚焦通用蒙特卡洛计算与群体遗传学，没有所列经济或金融方向的明确应用。
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
序贯蒙特卡洛方法的停时重采样
- 研究问题
- 如何改善群体遗传学中基于溯祖模型的序贯重要性抽样，使不同模拟阶段的部分样本能够有效比较与重采样？
- 方法与思路
- 作者提出停时重采样，在不同阶段比较部分模拟样本，提前终止不理想样本并复制有希望的样本，再用于多个计算问题。
- 材料陈述的贡献
- 摘要称，所展示的狄利克雷问题、非马尔可夫过程似然及群体遗传学例子中，该方法显著改善现有抽样方法的计算效率。
- 阅读关注点
- 应核对停时规则、重要性权重与重采样校正，检查计算效率指标、比较预算及不同问题中算法适用性的依据。
- 阅读边界
- 仅据所给 Crossref 摘要，效率改善只能视为作者对所列例子的陈述；摘要未提供具体增幅或一般性性能保证。
原文摘要
Summary Motivated by the statistical inference problem in population genetics, we present a new sequential importance sampling with resampling strategy. The idea of resampling is key to the recent surge of popularity of sequential Monte Carlo methods in the statistics and engin-eering communities, but existing resampling techniques do not work well for coalescent-based inference problems in population genetics. We develop a new method called ‘stopping-time resampling’, which allows us to compare partially simulated samples at different stages to terminate unpromising partial samples and to multiply promising samples early on. To illustrate the idea, we first apply the new method to approximate the solution of a Dirichlet problem and the likelihood function of a non-Markovian process. Then we focus on its application in population genetics. All our examples show that the new resampling method can significantly improve the computational efficiency of existing sequential importance sampling methods.