A note on Horvitz-Thompson estimators for rare subgroup analysis in the presence of interference
当存在干扰时，受试者的结果取决于其他人的治疗，治疗效果可能采取几种不同的形式。这种情况经常出现，特别是在疫苗评价中。在可能存在干扰的情况下，两阶段整群随机试验被建议作为估计某些感兴趣的因果对比的一种手段。在有限总体环境中工作，使用文献中建议的一些估计量研究罕见和计划外的亚组分析，包括Horvitz-Thompson、Hajek以及Hudgens和Halloran 2008年建议的边际估计量的自然扩张。我定义了个人，组和个人和组的基线变量的条件下的利益的估计，给每个无偏霍维茨-汤普森风格的估计。我还为几个估计量提供方差估计量。我表明，霍维茨-汤普森（HT）型估计总是无偏的组或人口中提供至少一个主题，无论水平的兴趣估计，是在子组的兴趣。这是不正确的“自然”或哈耶克风格的估计，这将往往是不确定的罕见的子群。
2020-01-08 math.ST stat.ME stat.TH
Deconvolution with application to estimation of sampling probabilities and the Horvitz-Thompson estimator
我们详细介绍了一种去卷积方法，用于估计未知参数的经验分布，正如Efron（2013）最近提出的那样。它适用于估计的经验分布的抽样概率的m个抽样项目。估计的经验分布被用来修改Horvitz-Thompson估计。改进的Horvitz-Thompson估计的性能研究在两个例子中。在一个示例中，基于访问的次数来估计采样概率，直到获得响应。另一个例子是基于小组抽样的真实数据，在连续四个月内，有相应的四次尝试采访小组中的每个成员。根据成功尝试的次数估计采样概率。我们还简要地讨论了反卷积的进一步应用，包括假发现率的估计。
2013-11-19 math.ST stat.TH
Statistics in Survey Sampling
本文作为调查抽样教材，介绍调查抽样理论与方法，详细讨论抽样设计和估计方法，涵盖多种抽样及估计技术，为调查抽样提供系统的理论与方法指导。
2024-12-01 stat.ME
Functional central limit theorems for single-stage samplings designs
对于基于模型和基于设计的联合推理，在调查抽样框架下，建立了以有限总体均值和超总体均值为中心的Horvitz-Thompson经验过程和Hájek经验过程的泛函中心极限定理.结果适用于单阶段不等概率抽样设计，基本上只需要高阶相关的条件。我们应用我们的主要结果Hadamard可微统计泛函，并说明其极限行为的计算机模拟。
2016-05-04 math.ST stat.TH
Martingale central-limit theorems for pivotal sampling
有序枢轴抽样是实现无替换不等概率抽样的最简单算法之一。它已在纵向调查和空间抽样方面得到应用，特别是能够使选定的单位实现良好的空间平衡。本文采用Ohlsson~（1986）提出的方法，利用鞅中心极限定理证明了Horvitz-Thompson估计在基于设计的方法和模型辅助方法下的渐近正态性。特别是，我们的模型假设允许值之间的相关性，这是特别感兴趣的应用程序在空间采样。
2015-10-29 math.ST stat.TH
On the admissibility of Horvitz-Thompson estimator for estimating causal effects under network interference
本文研究了Horvitz-Thompson估计量在估计网络因果效应时的可接受性，提出了一种基于倾向分数的改进估计量，并通过实验验证了其有效性。
2025-11-22 math.ST stat.TH
Complex sampling designs: uniform limit theorems and applications
在本文中，我们发展了一个一般的方法来证明整体和局部一致极限定理的Horvitz-Thompson经验过程所产生的复杂的抽样设计。对于Horvitz-Thompson经验过程和它的校准版本，证明了全局定理如Glivenko-Cantelli和Donsker定理，局部定理如局部渐近模和相关的比率型极限定理.还建立了其它变式及其条件形式的极限定理。我们的方法揭示了一个有趣的功能：导出Horvitz-Thompson经验过程的一致极限定理的问题本质上并不比建立相应的有限维极限定理的问题难。这些全球和当地的统一极限定理，然后适用于重要的统计问题，包括（i）$M$ -估计（ii）$Z$ -估计（iii）贝叶斯程序的频率论，所有加权似然，以说明其广泛的适用性。
2019-05-30 math.ST stat.TH
Learning from Survey Training Samples: Rate Bounds for Horvitz-Thompson Risk Minimizers
在二元分类的背景下的经验风险的最小化的泛化能力进行了研究，根据各种各样的复杂性假设的分类器的集合进行优化。相反，致力于这个问题的绝大多数工作规定，用于计算经验风险泛函的训练数据集由i.i.d.意见。除了训练数据在大i.i.d.样本或建模为r. v.的弱依赖序列的实现。在美国，当用于训练分类器的数据是通过更一般的抽样/调查方案提取的并且呈现复杂的依赖结构时，统计保证还没有被记载。本文的主要目的是表明，经验风险最小化理论可以扩展到统计学习是基于调查样本和相关的包含概率的知识的情况下。确切地说，我们证明了，最小化加权版本的经验风险，简称为霍维茨-汤普森风险（HT风险），在一类控制的复杂性导致率的顺序$O_{\mathbb{P}}((κ_N (\log N)/n)^{1/2})$与$κ_N=(n/N)/\min_{i\leq N}π_i$，当数据被抽样的拒绝计划，基数$N\geq n$的统计群体内的（确定性）大小$n$，具有不等概率权重$π_i>0$的基本{无替换的\it采样}的推广。扩展到其他采样方案，然后建立一个耦合参数。除了理论结果，数值实验显示，以显示HT风险最小化的相关性，忽略用于生成训练数据集的采样方案可能会完全危及学习过程。
2019-01-18 math.ST stat.TH
Rotation Sampling for Functional Data
本文讨论连续时间总体均值的调查估计问题。为此，我们将旋转采样方法扩展到函数数据。与传统的旋转设计，选择样本之前的调查，我们的方法随机每个样本替换，从而允许自适应采样。利用马尔可夫链理论，我们评估的协方差结构和集成平方误差[ISE]的相关Horvitz-Thompson估计。我们的抽样设计通过在更换过程中适当地在人群分层中重新分配样本来降低平均ISE。它们还通过增加更换的频率或强度来减少ISE的方差。为了研究在估计中同时使用当前和过去的测量值的好处，我们开发了一个新的复合估计量。在用电量数据的应用中，我们的旋转方法优于固定面板和传统的旋转样本。由于数据的弱时间依赖性，复合估计量仅略微改进了Horvitz-Thompson估计量。
2013-04-09 math.ST stat.ME stat.TH
Inference for two-stage sampling in spatial surveys
本文为连续空间域上的两阶段抽样建立了基于设计的渐近理论，推导了Horvitz-Thompson估计量的方差阶数，证明了估计量的一致性及渐近正态性，并通过森林清查模拟验证了有限样本性能。
2026-09-18 math.ST stat.TH
Central Limit Theorem for Gram-Schmidt Random Walk Design
本文针对随机主元顺序的GSW设计证明Horvitz-Thompson估计量的中心极限定理，并给出小于已有上界的精确极限方差。
2023-06-05 math.PR math.ST stat.TH
Designing Spatial Treatments
Georgia Institute of Technology（佐治亚理工学院）；University of California, Santa Cruz（加州大学圣克鲁兹分校）
本文针对空间处理的最优设计问题，提出基于Matérn点过程的设计，通过选择最小距离$r$平衡偏差与方差，实现Horvitz-Thompson估计量的极小极大最优收敛速率，并给出渐近正态性与方差估计。
2026-09-09 econ.EM stat.ME
Coupling methods for multistage sampling
在没有抽样框或人口分散在一个广阔地区时，住户调查通常采用多级抽样。多级抽样通常在最终单位的选择中引入复杂的相关性，这使得渐近结果相当难以证明。在这项工作中，我们考虑多级抽样与简单随机没有更换抽样在第一阶段，并与一个任意的抽样设计，为进一步的阶段。我们考虑耦合的方法来链接这个抽样设计的一级单元独立选择的抽样设计。我们首先推广的方法介绍了[马扎尔图德。阿卡德Mat. Kutató Int. Közl. 5（1960）361-374]中的方法得到了多级抽样与第一级Bernoulli抽样的耦合，从而得到了Horvitz-Thompson估计量的中心极限定理.在此基础上，提出了一种新的多级抽样与第一级置换抽样的简单随机耦合方法。当第一阶段抽样比趋于零时，利用该方法证明了第一阶段简单随机无替换抽样的有替换Bootstrap的相合性和总体的光滑函数的Bootstrap方差估计的相合性。
2015-11-17 math.ST stat.TH
Combining Cluster Sampling and Link-Tracing Sampling to Estimate Totals and Means of Hidden Populations in Presence of Heterogeneous Probabilities of Links
我们提出了Horvitz-Thompson-like和Hajek-like估计的总和平均值的一个变量的价值与一个难以达到的人口的元素由Felix-Medina和Thompson（2004）提出的链接跟踪抽样的变体采样。这类人群的例子有吸毒者、无家可归者和性工作者。在这个抽样变量中，构建了一个由人口成员倾向于聚集的场所或场所（如公园和酒吧）组成的框架。该框架并不假定涵盖整个人口。从框架中选择元素的初始聚类样本，其中聚类是场地，并且初始样本中的元素被要求说出他们的联系人，这些联系人也是人口的成员。通过在样本中包括不在初始样本中的指定元素来增加样本量。所提出的估计量不使用基于设计的包含概率，而是使用基于模型的包含概率，该包含概率来源于Felix-Medina等人（2015）提出的模型，并通过极大似然估计量进行估计。假设包含概率是异质的，也就是说，它们取决于抽样的人。所提出的估计量的方差的估计是通过自助法获得的，它们被用来构建总数和平均值的置信区间。两个数值研究，其中一个基于真实数据的估计和置信区间的性能进行了评估，结果表明，他们的性能是可以接受的。
2020-05-21 stat.ME
Sigmoid-FTRL: Design-Based Adaptive Neyman Allocation for AIPW Estimators
Columbia University（哥伦比亚大学）；Massachusetts Institute of Technology（麻省理工学院）；New York University（纽约大学）
Sigmoid-FTRL通过同时最小化两个凸遗憾解决AIPW估计量的非凸性问题，证明其在标准正则条件下以$T^{-1/sofar} R$速率收敛，确立了Neyman遗憾的最小最大速率。
2026-11-05 math.ST stat.ME
A comparison of pivotal sampling and unequal probability sampling with replacement
我们证明了关键抽样的任何实现都比多项式抽样更有效。这个性质需要Horvitz-Thompson估计的弱相合性和保守方差估计的存在性。一个小的模拟研究支持我们的发现。
2016-09-13 math.ST stat.AP stat.ME
Motif Estimation via Subgraph Sampling: The Fourth Moment Phenomenon
本文提出了一个在子图采样模型下对网络模体进行统计推断的框架，推导了Horvitz-Thompson估计量一致性与渐近正态性的充要条件，揭示了第四矩现象，并确定了多种图系综中的精确阈值。
2024-12-21 math.CO math.PR math.ST
Quantifying Uncertainty for Temporal Motif Estimation in Graph Streams under Sampling
动态网络，又名。图形流由一组顶点和一组带时间戳的交互事件（即，时间边缘）。时间模体被定义为图流上的（小）同构诱导子图类，同时考虑边排序和持续时间。与静态网络中的模体一样，时间模体是动态网络中时间结构的基本构建块。已经设计了几种方法来计算图流中时间图案的出现，最近的工作集中在估计各种采样方案下的计数以及浓度属性。然而，很少有人注意到的问题，不确定性量化和渐近统计性质的计数估计。在确定性图流的边采样框架下，建立了一种Horvitz-Thompson型估计的相合性和渐近正态性，该估计可用于构造采样下时间模体数的置信区间和进行假设检验.我们也建立了类似的随机模型下的类似结果。我们的研究结果与社会，通信，生物和大脑网络中的广泛应用有关，用于涉及模式发现的任务。
2022-02-21 stat.ME
On estimators of the mean of infinite dimensional data in finite populations
本文研究了无限维数据下有限总体均值的HT、RHC和GREG估计量，证明了GREG估计量的渐近有效性，并揭示了异方差程度对抽样设计选择及GREG估计量性能的影响。
2023-05-24 math.ST stat.TH
Low-Order Inclusion Probabilities Do Not Determine Asymptotic Normality
The University of British Columbia（不列颠哥伦比亚大学）
本研究证明，与SRSWOR具有相同一阶和二阶包含概率的抽样设计仍可能导致样本总和收敛于非正态分布，表明低阶包含概率不足以决定渐近正态性。
2026-10-08 math.ST stat.TH
Variance estimation and asymptotic confidence bands for the mean estimator of sampled functional data with high entropy unequal probability sampling designs
对于具有高熵的固定大小抽样设计，众所周知，Horvitz-Thompson估计量的方差可以通过Hájek公式近似。这种渐近方差近似的有趣之处在于它只涉及统计单元的一阶包含概率。当研究的变量是函数时，我们推广了这个方差公式，并证明了在一般的个体轨迹和抽样设计的规律性条件下，我们可以得到均值函数的Horvitz-Thompson估计的方差函数的一致收敛估计。给出了拒绝抽样法收敛到真方差函数的速度。我们推导出，在抽样设计的熵的条件下，它是可能的，通过模拟高斯过程的方差函数由哈耶克公式，建立的置信带的覆盖范围是渐近的期望的。最后，建议的方差估计的准确性进行评估，在一个星期内每半小时测量的电力消耗数据的样本。
2013-06-28 math.ST stat.TH
Robust Estimation of Polychoric Correlation for Complex Survey Designs Using Minimum Divergence Methods
George Mason University（乔治梅森大学）
针对调查数据污染问题，提出基于Hellinger距离和负指数差异的鲁棒多分格相关估计器，结合Horvitz-Thompson调整频率，并引入惩罚岭和Lasso变体，理论证明一致性和渐近正态性，模拟实验展示不同污染场景下的性能优势。
2026-06-26 stat.ME
Confidence Intervals for Rate Estimation with Importance Sampling in Autonomous Vehicle Evaluation
Waymo LLC（Waymo有限责任公司）
本文提出统一的复合泊松模型框架，通过Horvitz-Thompson估计器实现无偏速率估计，并引入新的单调性准则和指数自助法来构建置信区间，提升实际应用的可解释性。
2026-04-04 stat.AP stat.ME
Minimum Hellinger Distance Estimators for Complex Survey Designs
Department of Statistics, George Mason University（乔治梅森大学统计系）
本文提出一种适用于复杂抽样设计的最小Hellinger距离估计器，通过核密度插件方法证明了其一致性、正态分布和鲁棒性，通过模拟和实际应用展示其在效率与鲁棒性之间的权衡。
2025-10-23 cs.IT math.IT math.PR
Semiparametric empirical likelihood inference for abundance from one-inflated capture-recapture data
针对捕获-重捕获数据中的单值膨胀与异质性问题，提出半参数经验似然丰度估计方法，通过EM算法求解并设计得分检验，有效提升了估计稳定性和置信区间覆盖率。
2025-07-14 stat.ME
Robust estimation in finite population sampling
本文提出了有限总体均值的几种稳健估计。这样的估计是特别适合在存在一些离群观测。作为我们的一般结果的特殊情况，包括鲁棒版本的比率估计和Horvitz-Thompson估计。鲁棒估计量是在一定的预测影响函数的基础上导出的。
2008-05-15 math.ST stat.TH
Combining cluster sampling and link-tracing sampling to estimate the size of a hidden population: asymptotic properties of the estimators
Félix-Medina和Thompson（2004年）提出了一种联系追踪抽样的变体，以估计吸毒者、性工作者或无家可归者等隐藏人口的规模。在他们的变体中，构建了人口成员倾向于聚集的地点的抽样框。该框架并不假定覆盖整个人口，而只是覆盖其中的一部分，而是选择一个简单的随机样本;确定样本点的人口，并要求他们说出加入样本的其他人口成员的名字。这些作者提出了人口规模的极大似然估计，该估计来自于在抽样地点发现的人数的多项模型和认为一个人被特定抽样地点中的任何元素命名的概率（链接概率）不依赖于命名的人，即概率是齐次的模型。后来，Félix-Medina等人（2015）提出了人口规模的无条件和条件极大似然估计，该估计来自一个考虑了链接概率异质性的模型。在这项工作中，我们考虑这种抽样设计和设置条件的一般模型的链接概率，保证一致性和渐近正态的人口规模的估计和模型的参数估计的链接概率。特别地，我们证明了总体大小的无条件和条件极大似然估计是一致的，并且具有彼此不同的渐近正态分布。
2015-06-20 stat.ME
Model-assisted estimation for MRV: How to boost the economics of SOC sequestration projects without compromising on scientific integrity
本研究通过模拟验证模型辅助估计（简单回归估计量）在土壤有机碳封存MRV中，能在样本量大于40时保持无偏且有效覆盖，并在相关辅助变量下提升30%精度，从而兼顾科学严谨性与经济效益。
2025-10-15 stat.AP stat.ME
Differential Privacy and Survey Sampling
该研究将Horvitz-Thompson总体总量估计视为差分隐私机制，推导了含/不含Laplace、Gaussian噪声时的隐私参数公式，可用于确定指定隐私水平下的噪声尺度，并给出了二元数据简单随机抽样的简化公式。
2025-06-17 math.ST stat.TH
Counting Motifs with Graph Sampling
应用研究人员经常从随机的节点样本构建网络，以推断父网络的属性。两个最广泛使用的采样方案是子图采样，其中我们以概率$p$独立地对每个顶点进行采样，并观察由采样顶点引起的子图，以及邻域采样，其中我们还观察采样顶点与其邻居之间的边。在本文中，我们从统计的角度研究了这两个模型下的诱导子图的模体的数量估计问题。我们证明：对于$k$顶点上的任意连通$h$，估计$s=\mathsf{s}(h,G)$，即最大度$d$的父图$G$中$h$的拷贝数，其乘积误差为$ε$。（a）对于子图抽样，最优抽样比$p$为$Θ_{k}(\max\{ (sε^2)^{-\frac{1}{k}}, \; \frac{d^{k-1}}{sε^{2}} \})$，由Horvitz-Thompson型估计器实现。(b)对于邻域抽样，我们提出了一个家庭的估计，包括和优于霍维茨-汤普森估计和实现的采样比$O_{k}(\min\{ (\frac{d}{sε^2})^{\frac{1}{k-1}}, \; \sqrt{\frac{d^{k-2}}{sε^2}}\})$。这被证明是最佳的所有图案与最多$4$顶点和集团的所有大小。利用子图数的某些代数性质，建立了匹配极大极小下界。这些结果量化了邻域采样比子图采样信息量大多少，这一点通过对合成数据和真实数据的实验得到了经验验证。我们还解决了适应未知最大程度的问题，并研究了具有额外结构的父图的…
2018-02-21 cs.DM math.ST stat.ML
On Admissibility in Bipartite Incidence Graph Sampling
本文研究二部关联图抽样中估计量的容许性，在研究单元可经多条抽样路径观测的一般框架下，证明除 Horvitz–Thompson 估计量外还存在其他容许估计量，并涵盖有限总体抽样结论。
2024-09-16 math.ST stat.TH
Incidence weighting estimation under bipartite incidence graph sampling
二部关联图抽样为估计的目的提供了许多抽样情况的统一表示，包括现有的非常规抽样方法，如间接，网络或自适应整群抽样，这些方法最初并不被描述为图问题。我们开发了一个大类的线性估计的样本二部关联图的边缘的基础上，设计无偏性的一般条件。这个类包含经典的Horvitz-Thompson估计量作为特例，以及非常规抽样文献中的其他无偏估计量，这些估计量可以追溯到Birnbaum和Sirken（1965）。我们的推广允许设计其他无偏估计，从而提供了一个潜在的应用程序中的效率增益。文中给出了自适应整群抽样、截线抽样和模拟图的例子。
2020-04-08 math.ST stat.TH
Functional calibration estimation by the maximum entropy on the mean principle
我们扩展的问题，获得估计的有限总体的平均参数，包括完整的辅助信息，通过校准估计在调查抽样，但考虑一个功能性的数据框架。将校正估计问题与均值原理下的最大熵匹配，得到估计量的函数校正抽样权。特别是，校准估计被视为一个无穷维的线性逆问题的平均方法的最大熵的结构。我们给出了一个精确的理论设置和估计的功能校准权重假设，作为事先的措施，中心高斯和复合泊松随机措施。此外，通过一个简单的模拟研究，我们表明，我们的功能校准估计提高了其精度相比，霍维茨-汤普森估计。
2013-02-05 math.ST stat.TH
Semiparametric adaptive estimation under informative sampling
针对信息性抽样中的选择偏倚与 Horvitz-Thompson 估计量效率不足问题，本文将调查权重视为随机变量推导半参数效率界，并提出在工作模型下一致、渐近正态且最优有效的估计量，通过模拟和加拿大调查数据验证其性能。
2024-04-04 math.ST stat.ME stat.TH
Properties of Design-Based Functional Principal Components Analysis
本研究的目的是当观测值是用调查抽样技术收集的曲线时，用Horvitz-Thompson估计量进行函数主成分分析。本研究的一个重要动机是，FPCA是一个降维工具，这是第一步，开发模型辅助方法，可以考虑辅助信息。FPCA依赖于协方差算子的本征元素的估计，该算子可以被视为非线性泛函。在Deville（1999）提出的基于影响函数的线性化方法的基础上，我们证明了这些估计量是渐近设计无偏和相合的。在较弱的假设下，得到了FPCA估计量的渐近方差，并给出了它们的相合估计。我们的方法与仿真研究，我们检查的特征元素的估计，以及他们的方差估计与线性化方法得到的良好性能。
2009-01-29 math.ST stat.TH
Minimax unbiased estimation for finite populations with bounded outcomes
Yale（耶鲁大学）；UNC（北卡罗来纳大学）
本文研究了在每个结果满足已知边界的情况下，对有限总体总和进行设计无偏估计的问题，推导了在矩形参数空间下的最坏情况平方误差下界，并证明了当单元包含指示符成对独立时，最小最大估计器为中点差分Horvitz-Thompson估计器。
2026-05-20 math.ST stat.ME stat.TH
Get the Most out of Your Sample: Optimal Unbiased Estimators using Partial Information
随机抽样是数据处理和传输的重要工具。它用于汇总太大而无法存储或操作的数据，并满足带宽或电池电量的资源限制。应用于样本的估计量有助于对原始数据进行快速近似处理，样本的值取决于这些估计量的质量。我们的工作目标是数据集，如请求和流量日志以及传感器测量，其中数据在多个{ \em实例}上重复收集：时间段、位置或快照。我们对跨多个实例的查询感兴趣，例如对所选记录的不同计数和距离度量。这些查询用于从规划到异常和变化检测的应用程序。无偏低方差估计是特别有效的，因为相对误差随着所选记录键的数量而减小。Horvitz-Thompson估计量，已知的最小化方差的抽样与“全部或没有”的结果（这揭示了精确的价值或没有信息的估计量），是不是最佳的多实例操作的结果可能提供部分信息。我们提出了一个一般的原则性方法的推导（帕累托）最佳无偏估计抽样的情况下，旨在了解其潜力。我们证明了显着的改善，估计精度的基本查询常见的抽样方案。
2011-09-06 cs.DB cs.DS cs.NI
Estimation for Monotone Sampling: Competitiveness and Customization
随机样本是有损汇总，其允许通过对样本应用适当的估计器来近似对数据提出的查询。然而，抽样的有效性取决于估计量的选择。估计量的选择受到全局要求的约束，例如估计值的无偏性和范围限制，理想情况下，我们寻求的估计量既能有效地推导和应用，又能{ \em容许}（在方差方面不被其他估计量所支配）。然而，对于给定的数据域，抽样方案和查询，有许多可接受的估计。本文研究了单调抽样方案中可容许非负无偏估计的选择问题。单调抽样方案隐含在大量数据集分析的许多应用中。我们的主要贡献是一般导子的可容许估计与理想的性质。我们提出了一个建设{ \em订单最优}估计，最小化方差根据{ \em任何}指定的优先级在数据域。顺序最优性允许我们自定义推导出我们可以在数据中学习或观察到的常见模式。当我们优先考虑较低的价值时（例如，当估计差异时，数据集的相似性更大），我们得到了L $^*$估计，它是唯一单调可容许估计。我们证明了L $^*$估计是4-竞争的，并且优于经典的Horvitz-Thompson估计.这些属性使L $^*$估计量成为自然的默认选择。我们还提出了U $^*$估计器，它优先考虑大值（例如，更少的相似数据集）。我们的估计量构造既易于应用，又具有理想的性质，使我们能够充分利用汇总的数据。
2014-04-09 cs.DB math.ST stat.TH
Adjusted Expected Improvement for Cumulative Regret Minimization in Noisy Bayesian Optimization
National University of Singapore（新加坡国立大学）
本文针对噪声贝叶斯优化中累积遗憾最小化问题，提出期望改进-代价（EIC）算法，通过引入评估代价决定采样或重采样，并证明其遗憾上界优于现有 EI 类算法且可比肩 GP-TS 和 GP-UCB。
2024-10-03 cs.LG math.ST stat.TH
