Rejection Control and Sequential Importance Sampling
拒绝控制与序贯重要性抽样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：摘要仅笼统提及动态系统和一个计量经济学例子，未明确时间序列、波动率或其他所列模型，分类证据不足。
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
拒绝控制与序贯重要性抽样
- 研究问题
- 在动态系统的蒙特卡洛更新中，如何结合拒绝抽样与重要性抽样，降低序贯计算的随机变异并保留独立样本？
- 方法与思路
- 作者提出拒绝控制序贯重要性抽样算法，将拒绝抽样机制与序贯重要性抽样结合，并用三个不同领域的例子展示。
- 材料陈述的贡献
- 摘要称该算法旨在同时降低蒙特卡洛变异和保留独立样本，且在计量经济学、层级贝叶斯及通信例子中改善既有结果。
- 阅读关注点
- 应核对拒绝控制阈值、权重修正、独立样本的具体含义，以及三个例子的比较指标、基准算法和计算成本。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；改善幅度、适用条件与成本未说明，不能据此认定算法普遍优越。
原文摘要
We discuss ways of combining rejection sampling and importance sampling methods in Monte Carlo computations and demonstrate their usefulness in updating dynamic systems. Specifically, we propose the rejection controlled sequential importance sampling (RC-SIS) algorithm, which is designed to simultaneously reduce Monte Carlo variation and retain independent samples in sequential importance sampling. The proposed method is demonstrated by three examples taken from econometrics, hierarchical Bayes analysis, and digital telecommunications. They all show significant improvements over previous results.