Resampling Strategy in Sequential Monte Carlo for Constrained Sampling Problems
序贯蒙特卡罗(SMC)方法是一类用于以序贯方式获得高维随机变量的随机样本的蒙特卡罗方法。在应用程序中遇到的许多问题通常涉及不同类型的约束。这些限制可能使问题更具挑战性。在本文中,我们制定了一个通用的框架,使用SMC约束抽样问题的基础上向前和向后的导频响应策略。我们回顾了一些现有的方法的框架下,开发了几个新的算法。注意,所有观察到的或施加在底层系统上的信息都可以被视为约束。因此,本文中概述的方法可以在许多应用中是有用的。
2018-12-19 stat.ME
A sequential design for extreme quantiles estimation under binary sampling
我们提出了一个序贯设计方法,旨在估计一个极端的分位数的基础上的一个样本的二分数据对应的峰值超过一个给定的阈值。本研究的动机是在材料可靠性的工业挑战,并包括在估计失败分位数的试验,其结果减少到指标的样本是否已失败,在测试的应力水平。提出的解决方案是一个顺序设计,利用分裂的方法,分解成产品的条件事件的高阶概率的目标概率水平。该方法包括逐步瞄准分布的尾部和在截尾分布下进行抽样。该模型是GEV或威布尔,其参数的序贯估计涉及到一个改进的极大似然程序的二进制数据,由于大的不确定性与这样一个有限的信息。
2020-04-03 stat.ME
Sampling-Based Batch Sequential Design by Stein Variational Gradient Descent
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Kuang-Chi Institute of Advanced Technology(旷视先进技术研究)
本文提出基于斯坦变分梯度下降的采样框架,将完全序贯实验设计转换为批量序贯方法,平衡个体效用与批量多样性,并通过数值研究验证性能。
2026-09-21 stat.ME
Variance Reduction for Sequential Sampling in Stochastic Programming
本文研究了用于随机规划序贯抽样的方差缩减技术--对立变量(AV)和拉丁超立方抽样(LHS),并给出了计算比较。给出了具有AV和LHS的序贯抽样满足有限停止保证和渐近有效的条件,并详细讨论了LHS。它计算比较它们的使用顺序和非顺序设置通过一组两阶段的随机线性规划具有不同的特点。数值结果表明,虽然AV和LHS可以优选随机抽样在任何一种设置,LHS通常占主导地位的非顺序设置,同时执行良好的顺序和AV获得一些优势,在顺序设置。这些结果意味着,鉴于这些方差减少技术的实施容易,配备了相同的理论属性和改进的经验性能相对于随机抽样,AV和LHS顺序程序在实践中提出了有吸引力的替代品一类随机程序。
2020-10-16 math.OC stat.ME
A Broad and General Sequential Sampling Scheme
在本文中,我们提出了一个广泛和通用的序贯抽样计划,它包括四种不同类型的抽样程序:i)经典的Anscombe-Chow-Robbins纯粹的序贯抽样程序; ii)普通的加速序贯抽样程序; iii)相对较新的一次k次纯粹的序贯抽样程序; iv)新的一次k次改进的加速序贯抽样程序。本文分别以正态分布均值的最小风险点估计和负指数分布位置参数的有界方差点估计为例,研究了一般序贯抽样方案的一阶和二阶性质.我们还为每个插图提供了广泛的计算模拟研究和真实数据分析。
2022-07-15 math.ST stat.ME stat.TH
Group sequential hypothesis tests with variable group sizes: optimal design and performance evaluation
本文提出了一种面向计算机的变分组规模最优分组序贯假设检验的构造方法。特别地,对于独立同分布的观测值,我们得到了最优组序贯检验的形式,它是序贯计划概率比检验的一个特例(SPPRT,Schmitz,1993)。给出了计算一般SPPRT的数值特性的公式,如误差概率、平均抽样费用等。提出了设计最佳试验和评价性能特性的数值方法,并开发了其实现的计算机算法。对于从Bernoulli总体中采样的特定情况,所提出的方法用R编程语言实现,代码可在公共GitHub存储库中获得。所提出的方法与其他已知的抽样方案进行了数值比较。
2023-03-29 stat.ME
A New Sampling Method Base on Sequential Tests with Fixed Sample Size Upper Limit
本文提出一种固定样本量上限的序贯检验方法,结合泊松分布算法快速规划并动态调整抽样,经蒙特卡洛模拟验证,在保持检验效果的同时显著减少所需样本数。
2024-12-16 stat.ME
Sequentially Constrained Monte Carlo
约束可以从广义上解释为对参数的任何类型的显式限制。虽然某些约束直接在参数空间上定义,但当它们由模型上的已知行为定义时,将约束转换为参数空间上的特征可能是不可能的。由于将约束结合到模型中而导致难以从后验分布进行采样是导致参数空间中的截断和低效采样算法的常见挑战。我们提出了一个变种的序贯蒙特卡罗算法的后验抽样存在的约束,通过定义一个序列的密度,通过施加的约束。从无约束或轻度约束分布生成的粒子经过过滤并通过采样和重采样步骤移动,以从完全约束的目标分布中获取样本。一般和模型特定形式的约束执行策略的定义。顺序约束蒙特卡罗算法证明了由函数的单调性定义的约束,密度约束到低维流形,坚持理论推导的模型,和模型特征匹配。
2015-02-25 stat.ME
Sequential design for surrogate modeling in Bayesian inverse problems
本文针对贝叶斯反问题中的代理建模提出CSQ和IP-SUR两种序贯设计策略,利用SUR框架实现不确定性逐步减少,并通过多个测试案例验证其有效性。
2025-01-02 stat.ME
Confidence intervals for maximum unseen probabilities, with application to sequential sampling design
Bocconi Institute for Data Science and Analytics(博科尼数据科学与分析研究所);Bocconi University(博科尼大学);Department of Economics and Statistics, University of Torino(都灵大学经济与统计系);Collegio Carlo Alberto(卡罗·阿尔贝托学院)
本文提出最大未观测概率的置信区间方法,用于顺序采样设计,解决了在有限和无限类别情况下如何有效估计和控制置信界的问题。
2026-01-28 stat.ME
Generalized Linear Models for Longitudinal Data with Biased Sampling Designs: A Sequential Offsetted Regressions Approach
在研究罕见(二元)或低变异性(连续)终点时,偏倚抽样设计可以非常有效。我们考虑纵向数据设置,其中被采样的概率取决于通过结果相关的辅助变量重复测量的响应。这种辅助变量或结果依赖性采样改善了观察到的反应,并可能比随机采样的暴露变异性,{即使}辅助变量不是科学的兴趣。{For分析,}我们提出了一个广义线性模型为基础的方法,使用序列的两个偏置回归。第一种方法使用偏移逻辑斯谛回归模型估计辅助变量与响应和协变量数据的关系。偏移取决于辅助变量的不同值的采样概率的(假定的)已知比率。辅助模型的结果用于估计以响应和协变量为条件的采样的观察特异性概率,然后使用这些概率来解释第二个目标人群模型中的偏倚。我们提供了渐近标准误占不确定性的辅助模型的估计,并进行模拟研究,证明大量的偏差减少,正确的覆盖概率,并提高了设计效率超过简单随机抽样设计。我们用两个例子来说明这种方法。
2020-01-13 stat.ME
Multicanonical Sequential Monte Carlo Sampler for Uncertainty Quantification
在许多实际工程系统中,系统的性能或可靠性由标量参数表征。该性能参数的分布在许多不确定性量化问题中是重要的,从风险管理到效用优化。在实践中,这种分布通常不能解析地导出,并且必须通过模拟来数值地获得。为此,通常使用标准的蒙特卡罗模拟,然而,它们不能有效地重建分布的尾部,这在许多应用中是必不可少的。一种可能的补救方法是使用多规范蒙特卡罗方法,一种自适应重要性抽样方案。在该方法中,在每次迭代中从非标准形式的重要性抽样分布中抽取样本,这通常通过马尔可夫链蒙特卡罗(MCMC)来完成。MCMC本质上是串行的,因此难以并行。在本文中,我们提出了一种新的方法,它使用序贯蒙特卡罗采样器绘制的重要性抽样分布,这是特别适合于并行实现。数学和实际的例子,我们证明了所提出的方法的竞争力的性能。
2022-09-30 stat.ME
Optimal Sub-sampling to Boost Power of Kernel Sequential Change-point Detection
我们提出了一种新的方案,以提高检测能力的内核最大均值差异为基础的顺序变点检测程序。我们所提出的方案的特点是在检测过程之前对历史数据进行最佳子采样,以解决从巨大的历史数据中随机子采样所引起的功率损失。我们将我们提出的计划扫描$B$和内核累积和(Kernel Cumulative Sum,KCUM)程序,并从大量的数值实验中观察到改进的性能。
2023-01-14 stat.ME stat.ML
Sequential Sampling for Optimal Bayesian Classification of Sequencing Count Data
高通量技术已成为生物医学应用中比较研究的首选实践。由于测序成本或获得感兴趣的生物体而导致的有限数量的样本点需要开发有效的样品收集以最大化下游统计分析的功效。本文提出了一种在最优贝叶斯分类框架下顺序选择训练样本的方法。针对RNA测序计数数据,所提出的方法利用了具有封闭形式更新的高效吉布斯抽样过程。我们的研究结果表明,增强的分类精度,相比随机抽样。
2018-07-12 eess.SP stat.ME
Calibrated inference: statistical inference that accounts for both sampling uncertainty and distributional uncertainty
本文提出分布不确定性模型,将分布偏移视为大量微小随机变化的叠加,并证明基于单一数据集的稳定性分析可构造同时涵盖抽样与分布不确定性的置信区间。
2025-02-04 stat.ME
Sequential Gibbs Sampling Algorithm for Cognitive Diagnosis Models with Many Attributes
认知诊断模型(CDMs)是一种有用的统计工具,可以为干预和学习提供丰富的信息。马尔可夫链蒙特卡罗(MCMC)算法作为一种常用的CDM估计和推理方法,在实际中得到了广泛的应用。然而,当属性个数$K$较大时,现有MCMC算法可能会变得耗时,因为MCMC抽样过程中通常需要进行$O(2^K)$计算以获得每个属性剖面的条件分布。为了克服这一计算问题,受Culpepper和Hudson(2018)的启发,我们提出了一种计算效率高的顺序吉布斯抽样方法,该方法需要$O(K)$计算来对每个属性配置文件进行采样。我们使用模拟和实际数据的例子来显示所提出的顺序吉布斯抽样的有限样本性能,其优势,现有的方法。
2021-02-13 stat.CO stat.ME
Adaptive Geostatistical Design and Analysis for Sequential Prevalence Surveys
非自适应地统计设计(NAGD)提供了收集和分析地统计数据的标准方法,其中采样位置在任何数据收集之前都是固定的。相比之下,自适应地统计设计(AGD)允许随时间收集暴露和结果数据,以依赖于从先前信息中获得的信息,从而优化数据收集以实现分析目标。年龄、性别和多元性在空间制图中变得越来越重要,特别是在资源贫乏的情况下,统一精确的制图成本可能不切实际,优先事项往往是确定干预措施可能对健康产生最大影响的关键领域。两种构造是:$singleton$和$batch$自适应采样。在单例采样中,顺序选择位置$x_i$,并且在每个阶段,$x_{k+1}$取决于在位置$x_1,\ldots , x_k$获得的数据。在批取样中,在$b > 1$大小的批次中选择位置,允许新批次$\{x_{(k+1)},\ldots ,x_{(k+b)}\}$依赖于在位置$x_1,\ldots, x_{kb}$获得的数据。在大多数情况下,批量采样比单例采样更现实。我们提出了具体的批量AGD和评估其效率相对于他们的单自适应和非自适应同行通过模拟。我们展示了我们如何应用这些发现来告知AGD的滚动疟疾指标调查,这是马拉维大规模五年期减少疟疾传播项目的一部分。
2015-09-15 stat.ME
Variance estimation for Sequential Monte Carlo Algorithms: a backward sampling approach
针对粒子滤波和平滑的在线渐近方差估计问题,提出基于后向权重的新估计器及受PaRIS算法启发的高效估计器,提升了稳定性并降低了方差。
2023-01-02 stat.ME
Towards active learning: A stopping criterion for the sequential sampling of grain boundary degrees of freedom
本研究针对晶界能量参数空间的高效采样需求,为现有晶界自由度序贯采样方法新增基于尖点数量和迭代最大能量变化的停止准则,实现主动学习式采样,以少量迭代提升精度并快速发现未知能量尖点。
2023-07-25 cond-mat.mtrl-sci stat.ME
Sequential adaptive strategy for population-based sampling of a rare and clustered disease
提出了一种创新的抽样策略,它适用于大规模的人口为基础的调查,针对一个罕见的特点,是不均匀地分布在感兴趣的地理区域。我们的建议的特点是能够根据手头调查的具体特点和挑战量身定制数据收集。它是基于集成的自适应组件到顺序选择,其目的是加强检测的积极情况下,利用空间集群,并提供一个灵活的框架,管理后勤和预算的限制。为了解释选择偏差,提供了一个随时可以实施的加权系统,以发布无偏和准确的估计。结核病流行率调查提供了经验证据,这是许多国家建议的,并得到世卫组织的支持,是需要改进抽样设计的一个象征性例子。仿真结果也说明了所提出的抽样策略相对于传统的横截面抽样的优点和缺点。
2020-04-06 stat.ME stat.OT
Data-Driven Sequential Sampling for Tail Risk Mitigation
针对重尾损失分布未知的随机备选方案,本文提出数据驱动的序贯采样策略,以最大化错误选择次优方案概率的衰减速率,从而高效识别尾部风险最小的最优方案。
2025-03-10 math.OC stat.ME stat.ML
Sequential Importance Sampling for Thinned Count Autoregressions via Latent Gaussian Transformations
University of Guelph(圭尔夫大学)
本研究针对稀疏计数自回归模型拟合的有偏问题,提出序贯重要性采样方法修正误设模型,经模拟验证有效,并成功应用于德法两国的疫情曲线重建。
2026-08-18 stat.AP stat.ME
Enhanced sequential directional importance sampling for structural reliability analysis
本研究针对结构可靠度分析,提出增强型序列方向重要性抽样方法,用子集模拟替代蒙特卡洛模拟估计首个积分,并设计基于Kriging的主动学习算法识别重要方向多根,经基准测试验证其高效稳健性。
2024-10-28 math.PR stat.ME
Sequential Monte Carlo on large binary sampling spaces
如果蒙特卡罗算法使用过去的模拟自动校准其当前的建议分布,则称其为自适应的。定义建议分布集的参数族的选择对于良好的性能至关重要。在本文中,我们提出了这样一个参数族的自适应采样高维二进制空间。这个问题的一个实际动机是变量选择在线性回归上下文中。我们希望使用适当版本的序贯蒙特卡罗从模型空间上的贝叶斯后验分布中采样。原始版本的序贯蒙特卡罗很容易使用具有独立分量的二进制向量实现。然而,对于高维问题,这些简单的建议并不能产生令人满意的结果。一个有效的自适应算法的关键是考虑相关性的二元参数族,类似于连续空间上的多元正态分布。我们提供了二进制数据的模型的审查,并使其中之一的顺序蒙特卡罗抽样的上下文中工作。对大约100个协变量的真实数据的计算研究表明,在困难的情况下,我们的序贯蒙特卡罗方法明显优于基于马尔可夫链探索的标准技术。
2011-11-09 math.ST stat.CO stat.ME
A method to find an efficient and robust sampling strategy under model uncertainty
我们考虑的问题,决定抽样策略,特别是抽样设计。我们提出了一个风险度量,其最小化的价值指导的选择。该方法利用了超种群模型,并考虑到其参数的不确定性。用一个实际数据集说明了该方法,得到了令人满意的结果。作为一个基线,我们使用的策略,耦合概率比例大小抽样与差异估计,因为它是已知的最佳时,超种群模型是完全已知的。我们表明,即使在模型的适度错误设定下,这种策略也不稳健,并且可以被一些替代方案所超越
2020-07-03 stat.ME stat.OT
Thompson Sampling via Local Uncertainty
McCombs School of Business, The University of Texas at Austin(德克萨斯大学奥斯汀分校麦库姆斯商学院)
汤普森抽样是一种有效的序贯决策算法,它利用后验不确定性来解决探索-开发困境。最近,人们对将贝叶斯神经网络集成到汤普森采样中产生了极大的兴趣。这些方法大多依赖于全局变量的不确定性进行探索。在本文中,我们提出了一个新的概率建模框架汤普森采样,局部潜变量的不确定性被用来采样的平均回报。采用变分推断逼近局部变量的后验,并进一步引入半隐式结构以增强其表达能力。我们在八个上下文bandit基准数据集上的实验结果表明,由局部不确定性引导的Thompson采样在具有低计算复杂度的同时实现了最先进的性能。
2020-08-05 cs.LG stat.ME stat.ML
An invitation to sequential Monte Carlo samplers
统计学家经常使用蒙特卡罗方法来近似概率分布,主要是马尔可夫链蒙特卡罗和重要性抽样。序贯蒙特卡罗采样器是一类结合了两种技术来近似感兴趣的分布及其归一化常数的算法。这些采样器起源于状态空间模型的粒子滤波,并已成为通用和可扩展的采样技术。本文描述了序贯蒙特卡罗采样器及其可能的实现,认为它们在统计中仍然没有得到充分的使用,尽管它们能够执行顺序推理并利用并行处理资源以及其他潜在的好处。
2022-06-17 stat.CO stat.ME
Self-Balancing Sequential Sampling: Fast Convergence with Controlled Predictability
University of California, Berkeley(加州大学伯克利分校)
研究序贯抽样规则,通过自适应调整概率实现经验分布快速收敛到目标分布且保持样本不可预测。自平衡采样器有随机镜像下降解释,收敛速率快于标准,是熵正则化问题唯一解,弱偏差下计数过程收敛到特定过程,支持实用框架。
2026-08-26 math.PR stat.ME stat.ML
Optimal sequential sampling design for environmental extremes
Sihl河位于瑞士苏黎世市附近,由于它直接流经该市主要火车站,因此受到持续和严密的监视。为了发出早期预警并进行准确的风险量化,必须在流域内建立密集的监测站网络。然而,截至2021年,该地区只有三个自动站在运行,自然提出了一个问题:如何扩展这个网络以优化极端降雨事件的监测?目前,现有的站网设计方法大多集中在最大化插值精度或最小化某些模型参数估计的不确定性。在这项工作中,我们提出了新的原则,从极值理论的启发,最佳监测极端事件。对于平稳过程,我们研究的理论性质的诱导抽样设计,产生非平凡的点模式之间的妥协边界效应和最大化的位置间的距离。对于一般的应用,我们提出了一个理论上合理的功能峰值过阈值模型,并提供了一个算法顺序站选择。然后,我们提出建议,Sihl河监测网络的可能扩展,有效地利用这一地区的台站和雷达测量。
2021-06-24 stat.AP stat.ME
An exploration of sequential Bayesian variable selection -- A comment on García-Donato et al. (2025). "Model uncertainty and missing data: An objective Bayesian perspective"
Centrum Wiskunde & Informatica(数学与计算机科学中心)
本文针对含缺失数据的客观贝叶斯模型不确定性方法,提出在数据序贯累积场景下引入序贯模型置信集进行变量选择,以实现持续证据监测并稳定推断。
2025-09-30 math.ST stat.ME stat.TH
Simulation-Based Fitting of Intractable Models via Sequential Sampling and Local Smoothing
University of Padova(帕多瓦大学)
本文针对似然与矩均不可解的生成模型,提出一种结合全局搜索与信赖域型Fisher评分局部搜索的通用仿真拟合算法,仅需有限先验信息,并通过对比实验验证其性能,配套R包已上线CRAN。
2025-11-11 stat.CO stat.ME stat.ML
Sequential design of multi-fidelity computer experiments: maximizing the rate of stepwise uncertainty reduction
本文研究多保真度数值模拟器的实验序贯设计,提出贝叶斯策略MR-SUR,通过最大化预期不确定性缩减与模拟成本之比选择额外模拟,统一了现有方法并在消防安全分析等案例中验证了其性能。
2021-05-28 stat.AP stat.ME stat.ML
Resampling: an improvement of Importance Sampling in varying population size models
序贯重要性抽样算法已被定义为估计祖先种群过程模型中的似然性。然而,这些算法是基于恒定的总体规模的模型的特征,并且当总体规模随时间变化时变得低效,使得在许多人口统计情况下基于似然性的推断变得困难。在这项工作中,我们修改了以前的序贯重要性抽样算法,以提高效率的似然估计。我们的程序仍然是基于恒定大小的模型的功能,但使用一个新的rescue概率分布取决于成对的复合似然rescue技术。我们测试了我们的算法,称为序列重要性抽样与reservation(SISR)在不同的人口情况下的模拟数据集。在大多数情况下,对于相同的推理精度,我们将计算成本除以2,在某些情况下甚至除以100。这项研究提供了第一次评估的影响,这种rescue技术的参数推断使用序贯重要性抽样,并扩展了范围的情况下,可能性推断可以很容易地进行。
2016-03-23 math.PR math.ST stat.AP
Efficient scenario analysis in real-time Bayesian election forecasting via sequential meta-posterior sampling
Columbia University(哥伦比亚大学);University of Tokyo(东京大学);Aalto University(阿尔托大学)
该研究针对实时贝叶斯选举预测中传统方法需重复拟合导致计算成本高的问题,提出元建模策略与序贯采样方案,实现高效情景分析,回测显示其计算增益显著。
2026-08-05 stat.AP stat.CO stat.ME
Adaptive methods for sequential importance sampling with application to state space models
在本文中,我们讨论新的自适应建议策略的序贯蒙特卡罗算法-也被称为粒子滤波器-依靠标准的质量评估建议的粒子。建议分布的选择是一个主要的问题,可以极大地影响估计的质量。因此,我们展示了如何长期使用的权重的变异系数可以用于估计辅助粒子滤波器的目标和仪器分布之间的卡方距离。作为这种分析的副产品,我们得到一个辅助调整乘数权重类型,这种卡方距离是最小的。此外,我们建立了一个经验估计的线性复杂性的库尔贝克-莱布勒散度之间的分布。在此基础上,讨论了粒子滤波器建议分布的自适应设计问题,并给出了数值例子。
2008-08-23 math.ST stat.CO stat.ME
Sequential Experimental Design for Optimal Structural Intervention in Gene Regulatory Networks Based on the Mean Objective Cost of Uncertainty
Stanford University(斯坦福大学);TEES(工程与技术教育科学学院)
本文提出基于均目标不确定性(MOCU)的有限时间动态规划方法,用于基因调控网络的最优结构干预实验设计,对比了贪心策略与动态规划策略的性能。
2018-05-30 cs.SY eess.SY q-bio.MN
Design of variable acceptance sampling plan for exponential distribution under uncertainty
本文针对指数寿命产品在参数不确定条件下,将质量寿命与两类风险视为模糊参数,结合模糊假设检验设计序贯与重复群验收抽样方案,并通过实例和实际案例验证其有效性。
2023-11-28 math.ST stat.AP stat.ME
Sequential Audit Sampling for Finite Populations with Exact and Simulation-based Guarantee
Osaka Metropolitan University, Graduate School of Business(大阪公立大学 大学院经营学研究科);RIKEN AIP(理化学研究所 先进智能研究中心);Mizuho-DL Financial Technology Co., Ltd.(瑞穗DL金融科技有限公司)
本文提出一种基于有限总体的顺序检验方法,用于审计抽样中的额外顺序收集项目,定义了零假设和备择假设,制定了停止和决策规则,并通过蒙特卡洛模拟校准边界条件,实现决策错误概率的前控。
2026-08-14 econ.EM q-fin.RM q-fin.ST
Sequential multiple importance sampling for high-dimensional Bayesian inference
本文提出序贯多重重要性采样(SeMIS)算法,通过软截断先验作为中间提议分布连接先验与后验,在高维贝叶斯推断中实现了更优的证据估计与后验采样,并在有限元模型更新中成功定位结构损伤。
2025-07-07 cs.NA math.NA math.ST
Deterministic Fokker-Planck Transport -- With Applications to Sampling, Variational Inference, Kernel Mean Embeddings & Sequential Monte Carlo
FUB(柏林自由大学)
本文针对概率流 ODE 需评估不可处理当前密度的问题,分析核密度估计近似的缺陷,并提出将其转化为采样、变分推断、核均值嵌入和序贯 Monte Carlo 中优势的确定性 Fokker–Planck 输运方法。
2024-10-11 cs.LG cs.NA math.NA