Direct sampling from conditional distributions by sequential maximum likelihood estimations
The Institute of Statistical Mathematics, Japan（日本统计数学研究所）
本文提出了一种基于顺序最大似然估计的近似算法，用于直接从对数仿射模型的条件分布中采样，无需前期研究。
2025-11-19 math.ST stat.TH
Sequential estimation in the group testing problem
使用混合抽样的估计长期以来一直是组检验文献中感兴趣的领域。这种研究主要集中在假设使用固定的抽样计划（i），虽然最近的一些论文提出了替代的序贯设计，直到预定数量的阳性测试（ii）的样本。一个主要的考虑因素，包括在新的工作顺序计划，是建设去偏估计，减少或保持膨胀的均方误差。然而，在上述或其他抽样设计下，无偏估计实际上是否可能，尚未在文献中建立。在本文中，我们介绍了一个设计，直到一个固定数量的负样本（iii），并表明在此模型下存在一个无偏估计，而无偏估计是不可能的任何前述设计（i）和（ii）。我们提出了新的估计根据不同的抽样计划，无论是无偏的或已减少相对于那些已经在使用的偏差，以及普遍改善的均方误差。数值研究是为了比较设计的偏差和均方误差在实际情况下与中小样本量。
2017-03-24 math.ST stat.TH
Non-asymptotic bounds for quasi-MLE, misspecified models, and dependence under group sequential sampling
Google Inc.（谷歌公司）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对分组序贯拟极大似然估计，在模型可能误设定且组内存在依赖性的情况下，推导了渐近多元正态极限和显式非渐近正态逼近界，并应用于癫痫临床试验数据。
2026-06-05 math.PR math.ST stat.TH
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
Finite-sample bounds to the normal limit under group sequential sampling
在成组序贯分析中，分批收集和分析数据，直至满足预定义的停止标准。参数设置中的推断通常依赖于重复计算的最大似然估计（MLE）的极限渐近多元正态性，Jennison和Turbull（1997）在一般正则性条件下首次严格证明了这一结果。在这项工作中，使用Stein的方法，我们提供了最佳的顺序，非渐近界的距离光滑的检验函数之间的联合组顺序MLE和适当的正态分布在相同的条件下。我们的结果假设独立的观察，但允许异质（即，非均匀分布）数据。我们研究如何得到的界限简化时，数据来自一个指数的家庭。最后，我们提出了一个一般的结果，多元Kolmogorov距离光滑函数的距离，除了我们的结果扩展到前度量，可能是独立的利益。
2023-02-14 math.PR math.ST stat.TH
Negative Examples for Sequential Importance Sampling of Binary Contingency Tables
序贯重要性抽样（SIS）算法因其在经验上的成功而获得相当大的普及。它的一个著名应用是二进制列联表问题，这是统计学中的一个重要问题，其目标是估计具有指定行和列和的0/1矩阵的数量。我们给出了一个家庭的例子中，SIS程序，如果运行任何次指数数量的试验，将低估表的数量的指数因子。该结果适用于SIS算法中的任何通常的设计选择，即列和行的排序。这些显然是第一个理论上的SIS算法的二进制列联表的效率。最后，我们提出的实验证据表明，SIS算法是有效的行和列的总和是定期的。我们的工作是第一步，在确定输入类SIS是有效的。
2011-06-28 math.CO math.ST stat.TH
Estimating the number of zero-one multi-way tables via sequential importance sampling
2005年，Chen等人引入了序贯重要性抽样（SIS）方法，通过条件泊松（CP）分布分析具有给定固定边际和（行和列和）的0 - 1双向表。他们指出，与基于蒙特卡罗马尔可夫链的方法相比，他们的重要性抽样方法在运行时间方面更有效率，并且还提供了一个简单而准确的估计具有固定边际和的列联表总数的方法。本文将他们的结果推广到无$d$ -路交互作用模型下的0 - 1多路（$d$ -路，$d \geq 2$）列联表，即，有固定的$d - 1$边际和。此外，我们通过模拟表明，SIS过程与CP分布估计的零-一个三向表的数量下，没有三向交互模型的边际和工程非常好，即使有一些拒绝。我们还将我们的方法应用到参孙僧侣的数据集。最后，我们进一步的问题SIS过程中的零一多路表。
2011-11-28 math.CO math.ST stat.TH
Sequential sampling of junction trees for decomposable graphs
联结树表示为组织可分解图提供了一个有吸引力的结构属性。在这项研究中，我们提出了两个新的随机算法，我们称之为连接树扩展器和连接树扩展器的序贯抽样的可分解图的连接树。我们表明，递归应用程序的连接树扩展器，逐步扩大底层图形与一个顶点的时间，具有充分的支持空间上的连接树与任何给定数量的底层顶点。在另一方面，连接树分解器提供了一个互补的操作，用于删除顶点的连接树的底层可分解图，同时保持连接树的属性。我们建议的算法的一个直接应用程序证明了在一个顺序的Monte Carlo设置设计的可分解图的空间上的分布抽样。数值研究说明了实用的组合计算的可分解图和连接树的算法。本文提出的所有方法都在Python库trilearn中实现。
2021-02-15 cs.DM math.CO math.ST
Inverse Sampling for Nonasymptotic Sequential Estimation of Bounded Variable Means
Louisiana State University at Baton Rouge（巴吞鲁日路易斯安那州立大学）；Southern University and A&M College（南方大学及农工学院）
本文考虑了有界于0和1之间的随机变量均值的非渐近序贯估计。我们已经严格证明，为了保证规定的相对精度和置信水平，它足以继续采样，直到样本和不小于一定的界限，然后采取样本的平均值作为有界随机变量的平均值的估计。我们给出了一个确定样本和的上界的显式公式和一个对分搜索法，而不需要知道有界变量。此外，我们还推导出了样本量分布的界。在Bernoulli随机变量的特殊情况下，我们建立了解析和数值方法，进一步缩小了样本和的界，从而提高了抽样效率。同时，对已有结果的谬误进行了检验和分析.
2007-12-02 cs.LG math.PR math.ST
Sequential Monte Carlo as Approximate Sampling: bounds, adaptive resampling via $\infty$-ESS, and an application to Particle Gibbs
序贯蒙特卡罗（SMC）算法最初是为估计状态空间模型中的棘手条件期望而设计的，但现在通常用于在通用贝叶斯推理的上下文中生成近似样本。特别是，SMC算法经常被用作子程序内较大的蒙特卡罗计划，在这种情况下，放在SMC的要求是不同的：控制的均方误差是不够的-一个需要控制的发散直接从目标分布。为了实现这一目标，我们引入了条件自适应恢复粒子滤波器，建立在Gordon，Salmond和Smith（1993），Andrieu，Doucet和Holenstein（2010）以及Whiteley，Lee和Heine（2016）的工作基础上。通过控制有效样本量的新概念，$\infty$ -ESS，我们建立了由此产生的SMC采样算法的效率，提供了Andrieu，Lee和Vihola（2013）工作的自适应恢复扩展。我们应用我们的研究结果，以达到新的发散范围SMC采样器的自适应rescue以及自适应rescue版本的粒子吉布斯算法具有相同的几何遍历保证其非自适应对应。
2017-04-10 math.ST stat.CO stat.TH
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
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
Time-complexity of sampling from a multimodal distribution using sequential Monte Carlo
Carnegie Mellon University（卡内基梅隆大学）
该研究探讨了在低温下使用序贯蒙特卡罗方法从多模分布采样的时间复杂度，分析了几何退火调度与兰格-丹德扩散的效率，并得出了收敛性的数学结果。
2026-01-10 cs.NA math.NA math.PR
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
Faster Diffusion Sampling with Randomized Midpoints: Sequential and Parallel
UT Austin（德克萨斯大学奥斯汀分校）；Princeton University（普林斯顿大学）；Harvard SEAS（哈佛大学工程与应用科学学院）
受对数凹采样随机化中点方法启发，提出一种新的扩散采样方案，在全变差距离下实现了最佳的维度依赖性，并首次为扩散模型并行采样提供了可证明保证。
2024-10-17 cs.DS cs.LG 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
