Safe adaptive importance sampling: A mixture approach
安全自适应重要性抽样：混合分布方法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Monte Carlo积分与自适应抽样算法，重尾密度服务于计算稳定性，没有金融尾部风险或其他计量应用证据。
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
安全自适应重要性抽样：混合分布方法
- 研究问题
- 如何在自适应重要性抽样中兼顾目标分布逼近、积分估计效率与计算成本，并通过保留重尾抽样成分支持渐近分析？
- 方法与思路
- 作者将既往粒子构造的核密度估计与安全重尾密度混合，使重尾成分权重逐渐减小，并考虑核估计前的粒子子抽样。
- 材料陈述的贡献
- 摘要称得到抽样分布的一致收敛率和积分估计中心极限定理，渐近方差等于方差最优oracle程序，并可通过子抽样减负。
- 阅读关注点
- 应核对安全密度的尾部要求、混合权重下降速度和核估计条件，以及oracle方差等价与子抽样不损性能的具体含义。
- 阅读边界
- 材料为稿件版本未注明的OpenAlex索引摘要；权重、带宽及尾部的具体条件未说明，不能将渐近效率等同于有限样本优势。
原文摘要
This paper investigates adaptive importance sampling algorithms for which the policy, the sequence of distributions used to generate the particles, is a mixture distribution between a flexible kernel density estimate (based on the previous particles), and a “safe” heavy-tailed density. When the share of samples generated according to the safe density goes to zero but not too quickly, two results are established: (i) uniform convergence rates are derived for the policy toward the target density; (ii) a central limit theorem is obtained for the resulting integral estimates. The fact that the asymptotic variance is the same as the variance of an “oracle” procedure with variance-optimal policy, illustrates the benefits of the approach. In addition, a subsampling step (among the particles) can be conducted before constructing the kernel estimate in order to decrease the computational effort without altering the performance of the method. The practical behavior of the algorithms is illustrated in a simulation study.