Multilevel Methods for Uncertainty Quantification of Elliptic PDEs with Random Anisotropic Diffusion
Universität Basel（巴塞尔大学）
本文研究了具有随机各向异性扩散系数的椭圆扩散问题，通过Karhunen-Loève展开参数化随机矢量场及解，并证明多级格点和多级求积方法可降低计算复杂度，保持收敛速率。
2018-02-12 cs.NA math.NA
Optimized Multilevel Sampling Methods under Resource Constraints
Heidelberg University（海德堡大学）
针对高维问题和高性能计算环境下多级采样方法扩展的挑战，提出预算约束的MLMC方法和MLSGD方法，在HPC系统上验证了其在不确定性量化和最优控制应用中的有效性。
2026-08-27 cs.NA math.NA
High Performance Uncertainty Quantification with Parallelized Multilevel Markov Chain Monte Carlo
复杂现实世界现象的数值模型通常需要高性能计算（HPC）。不确定性进一步增加了问题的维度，并提出了更大的挑战。我们提出了一个并行化策略的多级马尔可夫链蒙特卡罗，一个国家的最先进的，算法可扩展的不确定性量化（UQ）算法的贝叶斯逆问题，和一个新的软件框架，允许大规模的并行跨前向模型评估和UQ算法本身。主要的可扩展性挑战以MLMCMC方法引入的强数据依赖性的形式出现，禁止琐碎的并行化。我们的软件是作为模块化和开源的MIT UQ库（MUQ）的一部分发布的，可以很容易地与任意用户代码耦合。我们使用DUNE和ExaHyPE引擎进行演示。后者提供了一个现实的，大规模的海啸模型，其中确定海啸的来源，从海拔高度的数据。
2021-07-30 cs.MS cs.NA math.NA
Embedded multilevel Monte Carlo for uncertainty quantification in random domains
多水平蒙特卡罗（MLMC）方法已被证明是一种有效的方差缩减统计方法，在偏微分方程模型的不确定性量化。它以类似于多重网格的方式使用网格层次结构将不同精度级别的近似值组合在一起。贴体网格层次结构的生成仅适用于简单的几何形状。最重要的是，随机域的MLMC涉及为每个样本生成网格。相反，在这里，我们考虑使用嵌入式方法，利用简单的背景网格的人工域（边界框），它很容易定义一个网格层次，从而消除了需要的贴体非结构化网格，但可以产生病态的离散问题。为了避免这种复杂性，我们考虑最近的聚合有限元法（AgFEM）。特别是，我们设计了一个嵌入式MLMC框架（几何和拓扑）的随机域隐式定义通过随机水平集函数，它利用了一组层次背景网格和AgFEM。从现有的理论性能预测进行了验证统计在三个数值实验，即随机半径的圆形域上的泊松方程的解决方案，解决方案的泊松方程的拓扑结构相同，但更复杂的域，和解决方案的传热问题的域中，具有几何和拓扑的不确定性。最后，使用AgFE的统计证明是至关重要的复杂和不确定的几何形状的鲁棒性和计算成本。
2019-11-27 cs.NA math.NA
Multilevel Asymptotic-Preserving Monte Carlo for Particle Simulations
发展了一种新的多层渐近保持蒙特卡罗方法，称为多层动力学扩散蒙特卡罗（ML-KDMC），用于模拟动力学Boltzmann输运方程和Bhatnagar-Gross-Krook（BGK）碰撞算子.例如，这个方程出现在核聚变反应堆等离子体边缘中性粒子的数学模型中。在这种情况下，动力学扩散蒙特卡罗方法是已知的，以保持在低碰撞和高碰撞限制的准确性，而没有爆炸的模拟成本在后者。我们表明，通过将这种方法置于多级蒙特卡罗（MLMC）框架内，使用更大的时间步长的层次结构，仿真成本进一步降低。在我们的ML-KDMC方法的不同水平连接通过一个新的和改进的配方相关的粒子轨迹与不同的时间步长。此外，一个新的和更一般的水平选择策略。我们说明了我们的ML-KDMC方法的效率，将其应用到一个一维的测试用例与非均匀和各向异性等离子体背景。我们的方法产生显着的加速比单级KDMC计划，无论是在低碰撞和高碰撞制度。在高碰撞的情况下，我们的ML-KDMC优于单级KDMC方法的几个数量级。
2020-10-22 cs.NA math.NA
h- and p-refined Multilevel Monte Carlo Methods for Uncertainty Quantification in Structural Engineering
实际的结构工程问题往往具有显著的不确定性。历史上，解释这种不确定性的流行方法之一是标准蒙特卡罗（MC）方法。最近，改进的采样方法已被提出，基于方差减少的想法，通过采用网格细化的层次。我们结合了h-和p-细化层次与多级蒙特卡罗（MLMC）和多级拟蒙特卡罗（MLQMC）方法。我们调查这些新的组合方法的适用性上的三个结构工程问题，其中的不确定性驻留在杨氏模量：静态响应的悬臂梁的弹性材料的行为，其静态响应与弹塑性行为，其动态响应与弹性行为。该不确定性通过从单变量Gamma分布采样的一个随机变量或从Gamma随机场采样的多个随机变量来建模。这个随机场的结果从截断Karhunen-Loève（KL）展开。在本文中，我们比较了这些蒙特卡罗方法的计算成本。我们证明，MQLMC和MLMC有一个显着的加速MC，无论使用的网格细化层次结构。我们的经验表明，MLQMC成本是最佳比例的1/1/2，在某些条件下，其中1/2是对均方根误差（RMSE）的公差。此外，我们表明，当不确定性被建模为一个随机场，与p-细化相结合的多级方法有一个显着的计算成本比他们的同行基于h-细化。我们还说明了效果的不确定性模型上的不确定性界的解决方案。
2019-06-25 cs.NA math.NA
Reliable Uncertainty Quantification for Fiber Orientation in Composite Molding Processes using Multilevel Polynomial Surrogates
本文提出多层多项式代理模型及新型统计误差界，用于量化注塑成型中材料参数不确定性对纤维取向的影响，并验证其优于 Monte Carlo 估计。
2025-03-17 cs.CE cs.NA math.NA
Surrogate-based multilevel Monte Carlo methods for uncertainty quantification in the Grad-Shafranov free boundary problem
University of Maryland（马里兰大学）；Rice University（莱斯大学）；The University of Arizona（亚利桑那大学）
本文提出基于代理模型的多级蒙特卡洛方法，用于高效量化等离子体边界问题的不确定性，显著降低计算成本并验证方法有效性。
2026-03-01 cs.NA math.NA physics.comp-ph
Fast uncertainty quantification of tracer distribution in the brain interstitial fluid with multilevel and quasi Monte Carlo
有效的不确定性量化算法是理解不确定性传播的关键--从不确定的输入参数到不确定的输出量--在脑生理学的高分辨率数学模型中。先进的蒙特卡罗方法，如准蒙特卡罗（QMC）和多级蒙特卡罗（MLMC）有可能显着改善标准蒙特卡罗（MC）方法，但其在生物医学应用中的适用性和性能还有待探索。在本文中，我们设计和应用QMC和MLMC方法来量化的对流-扩散模型的示踪剂在大脑内的运输的不确定性。我们表明，QMC优于标准MC模拟时，随机输入的数量是小的。MLMC大大优于QMC和标准MC方法，因此应首选脑运输模型。
2020-11-02 cs.CE cs.NA math.NA
Uncertainty Quantification by MLMC and Local Time-stepping For Wave Propagation
蒙特卡罗方法由于其鲁棒性、高效性和非侵入性，可能是不确定性量化中最流行的方法，用于计算感兴趣的量（QoIs）的期望值。多层蒙特卡罗（MLMC）方法通过将采样分布在离散化的层次结构中并将大多数样本分配到较粗的网格中来显着降低计算成本。对于不定常问题，空间粗化通常需要增加时间步长。然而，几何约束可能会阻碍均匀粗化，从而迫使一些元素在所有级别上保持较小。如果使用显式时间步长，则时间步长将由每个水平上的最小元素决定，以实现数值稳定性。因此，越来越严格的CFL条件上的时间步长上的粗糙水平显着降低了多层次的方法的优势。为了克服这一瓶颈，我们建议结合MLMC与本地时间步进（LTS）的多级方法。通过调整时间步长以适应每个层次上的局部细化元素，MLMC方法的效率即使在存在复杂几何的情况下也能恢复，而不会牺牲显式性和固有的并行性。在一个仔细的成本比较，我们量化的计算成本的减少，无论是在一个小的固定区域内，或对一个重入角的局部细化。
2022-04-11 cs.NA math.NA
Multilevel Monte Carlo methods for highly heterogeneous media
University of Bath（巴斯大学）
研究多层蒙特卡罗方法在随机系数椭圆偏微分方程中的应用，扩展分析至张量值系数和点评估，并涵盖对数正态随机系数。
2012-06-07 cs.NA math.NA
Uncertainty quantification in coastal aquifers using the multilevel Monte Carlo method
我们考虑一类密度驱动流问题。我们对沿海含水层盐碱化问题特别感兴趣。我们认为亨利盐水入侵问题与不确定的孔隙度，渗透率和补给参数作为一个测试案例。存在不确定性的原因是缺乏知识、测量不准确以及无法在每个空间或时间位置测量参数。这个问题是非线性的和时间相关的。解决方案是盐的质量分数，这是不确定的，并随时间变化。利用随机场模拟孔隙度、渗透率、补给量和质量分数的不变性。这项工作研究了著名的多级蒙特卡罗（MLMC）方法对这些问题的适用性。MLMC方法可以减少总的计算和存储成本。此外，MLMC方法在不同的空间和时间网格上运行多个场景，然后估计质量分数的平均值。并行化在物理空间和随机空间中进行。为了解决每一个确定性的情况下，我们运行并行多重网格求解器ug4在一个黑盒的方式。我们使用从拟蒙特卡罗方法获得的解决方案作为参考解决方案。
2023-02-13 cs.NA math.AP math.NA
Full Error Analysis and Uncertainty Quantification for the Heterogeneous Transport Equation in Slab Geometry
当系数（{ \em横截面}）为非均匀随机场时，我们提出了一种多层Monte Carlo方法来分析辐射输运方程的不确定性量化的正问题.要做到这一点，我们首先给出一个新的误差分析的组合空间和角度离散化的确定性的情况下，与误差估计，这是明确的系数（并允许非常低的规律性和跳跃）。详细的误差分析是针对一维空间-一维角板几何形状的经典菱形差分进行的。在合理的假设下的统计系数，然后我们证明了一个误差估计的随机问题在适当的Bochner空间。由于问题不是自伴的，稳定性只能在路径依赖的网格分辨率条件下证明。这意味着，虽然Bochner空间误差估计对于某些$η$是$\mathcal{O}(h^η)$阶，其中$h$是（确定性地选择的）网格直径，但是对于某些实现可能需要更小的网格步长。在合理的假设下，我们表明，计算一个典型的数量的利益的预期成本仍然是相同的顺序为一个单一的样本。这导致了蒙特卡罗和多级蒙特卡罗的严格复杂性估计：对于特定的线性求解器，多级版本比蒙特卡罗给出了两个数量级的改进。我们提供了支持理论的数值结果。
2020-01-14 cs.NA math.NA
Modern Monte Carlo Variants for Uncertainty Quantification in Neutron Transport
University of Bath（巴斯大学）
本文研究了中子输运方程在离散 ordinates 方法与 diamond 差分近似下的现代蒙特卡罗方法变体，探讨了单能一维 slab 几何问题中随机截面的不确定性量化方法及多级变体的效率提升。
2017-10-17 cs.NA math.NA
Multilevel Monte Carlo for uncertainty quantification in structural engineering
KU Leuven（荷语鲁汶大学）
本文利用多级蒙特卡洛方法结合有限元求解器，研究了结构工程中材料不确定性和动态载荷下的静力位移和频率响应，展示了MLMC在计算效率上的显著优势。
2018-08-31 cs.CE cs.NA math.NA
$p$-multilevel Monte Carlo for acoustic scattering from large deviation rough random surfaces
研究大偏差粗糙随机散射体的时谐声波散射，提出 $p$-multilevel Monte Carlo 方法以高效量化不确定性，并通过重心插值实现高阶多项式逼近的稳定实现及成本精度分析。
2023-11-21 cs.NA math.NA
Multilevel Quasi-Monte Carlo Methods for Lognormal Diffusion Problems
本文提出多级拟蒙特卡罗方法用于对数正态扩散问题，分析其成本和误差，证明其在不确定性量化中的有效性。
2016-09-02 cs.NA math.NA
Space-time multilevel quadrature methods and their application for cardiac electrophysiology
我们提出了一种新的方法，旨在高性能的心脏电生理模拟的不确定性量化。采用单域方程来模拟心脏细胞内的跨膜电位，我们评估了心脏纤维的空间相关扰动对所产生的感兴趣的量的统计的影响。我们的方法依赖于多层次的积分方法，并行迭代求解器和时空有限元离散的紧密结合，允许在空间，时间和随机的完全并行化的框架。广泛的数值研究，以评估收敛速度和比较经典的蒙特卡罗方法，如标准蒙特卡罗（MC）和拟蒙特卡罗方法（QMC），以及多级策略，即多级蒙特卡罗（MLMC）和多级拟蒙特卡罗方法（MLQMC）的嵌套网格层次的性能。最后，我们采用了最近提出的非嵌套网格的多层次方法的变体来处理一个现实的心脏几何形状。
2021-05-05 cs.CE cs.NA math.NA
Multilevel Hierarchical Decomposition of Finite Element White Noise with Application to Multilevel Markov Chain Monte Carlo
在这项工作中，我们开发了一种新的分层多级方法来生成高斯随机场实现的算法可扩展的方式，非常适合纳入多级马尔可夫链蒙特卡罗（MCMC）算法。这种方法建立在用于生成高斯随机场实现的其他偏微分方程（PDE）方法的基础上;特别地，可以通过求解具有空间白噪声源函数作为右侧的反应扩散PDE来形成单个场实现。虽然已经探索了这些方法来加速前向不确定性量化任务，例如多级蒙特卡罗，但是先前的构造不直接适用于多级MCMC框架，该框架以分级方式从粗尺度随机场构建细尺度随机场。我们的新的分层多层方法依赖于$L^2$中的白噪声源函数的分层分解，这使得我们能够以适合多级MCMC算法框架的方式在多个离散化级别上形成高斯随机场实现。在给出我们的主要理论结果和数值缩放结果以展示这种新的分层PDE方法用于生成高斯随机场实现的效用之后，该方法在四层MCMC算法上进行测试以探索其可行性。
2021-03-03 cs.NA math.NA stat.CO
Uncertainty quantification in the Henry problem using the multilevel Monte Carlo method
针对沿海含水层盐化的不确定Henry海水入侵问题，研究应用多层蒙特卡罗（MLMC）方法，通过多层次时空网格和双重并行化显著降低计算与存储成本。
2024-02-22 cs.CE cs.NA math-ph
Recycling Samples in the Multigrid Multilevel (Quasi-)Monte Carlo Method
KU Leuven（荷语鲁汶大学）
本文探讨了利用准蒙特卡洛点加速收敛的方法，并改进了方差估计，通过椭圆PDE与对数正态扩散系数的例子展示了样本回收在非光滑随机场中的高效性。
2018-06-14 cs.NA math.NA
Multilevel Monte Carlo on a high-dimensional parameter space for transmission problems with geometric uncertainties
Technical University of Munich（慕尼黑工业大学）
本文研究了高维参数空间中非光滑依赖量的多级蒙特卡洛方法，通过分析解的正则性，提出在L1范数下有限元离散化的收敛性结果，并确定样本在多级蒙特卡洛中的最优分布。
2017-06-25 cs.NA math.NA
Goal-Oriented Adaptive Finite Element Multilevel Quasi-Monte Carlo
King Fahd University of Petroleum and Minerals（国王法赫德石油矿物大学）；King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）；RWTH Aachen University（亚琛工业大学）
研究针对含对数正态扩散系数的偏微分方程相关量逼近难题，提出多级拟蒙特卡罗框架，结合自适应网格、重要性采样及控制变量，经数值实验验证，该算法能以更低成本达规定精度。
2026-07-14 cs.NA math.NA
Multilevel quasi-Monte Carlo for random elliptic eigenvalue problems II: Efficient algorithms and numerical results
随机偏微分方程本征值问题经常出现在不确定性量化领域，人们试图量化本征值或其本征函数中的不确定性。本文提出了一种计算随机系数椭圆本征值问题最小特征值期望的高效多层拟蒙特卡罗方法（MLQMC）。每个样本评估都需要求解PDE本征值问题，因此在实践中解决这个问题在计算上是非常困难的。我们从四个方面加快了这个期望值的逼近速度：我们使用一个多层次的方差缩减方案，将工作分散到一个层次的有限元网格和截断维上;我们使用QMC方法，有效地计算每一层上的期望值;我们利用参数空间的光滑性，并重用附近QMC点的特征向量，以减少特征值求解器的迭代次数;我们利用两个网格离散计划，以获得一个单一的线性求解的细网格上的特征值。一个基本的MLQMC算法的完整误差分析在配套文件[Gilbert and Scheichl，2022]中给出，因此本文中，我们专注于如何进一步提高效率，并提供理论上的理由，使用附近的QMC点和两个网格的方法。数值结果表明，我们的算法的效率，也表明，我们采用的四种策略是互补的。
2022-10-06 cs.NA math.NA
Mixed Finite Element Analysis of Lognormal Diffusion and Multilevel Monte Carlo Methods
Department of Mathematical Sciences, University of Bath（巴斯大学数学科学系）
本文研究了随机多孔介质中单相流问题的混合有限元误差分析，并利用多级蒙特卡洛方法估计统计量，特别探讨了有效渗透率的近似。
2013-12-20 cs.NA math.NA
A parametric acceleration of multilevel Monte Carlo convergence for nonlinear variably saturated flow
CWI - Centrum Wiskunde & Informatica（荷兰数学与计算机科学中心）；Delft University of Technology（代尔夫特理工大学）；University of Zaragoza（萨拉戈萨大学）
本文提出了一种多级蒙特卡洛方法，用于变饱和多孔介质流的不确定性量化，该方法基于里茨方程建模。通过将土壤参数视为具有适当定义边缘分布的空间相关随机场，对经验模型进行了随机扩展。为了处理这些参数可能带来的路径高度非线性系统，本文提出了一种基于改进皮卡迭代和细胞中心多网格方法的求解方法。此外，还提出了一种非标准的多级蒙特卡洛估计器，通过参数延续方法，在较粗的层次上解决更简单的非线性问题以减少方差，而目标强非线性问题仅在最细的层次上求解。数值实验展示了新估计器相比原始MC估计器的计算节省。
2019-03-19 cs.NA math.NA
Multilevel Markov Chain Monte Carlo Method for High-Contrast Single-Phase Flow Problems
Texas A&M University（德克萨斯农工大学）；University of California, Riverside（加州大学河滨分校）
本文提出了一种用于高对比单相流问题不确定性量化的新框架，结合了广义多尺度有限元方法和多级蒙特卡罗方法，通过多级采样减少计算成本并提高精度。
2014-02-20 cs.NA math.NA
Multi-output multilevel best linear unbiased estimators via semidefinite programming
本文通过半定规划将多层级最优线性无偏估计器扩展到多输出前向不确定性量化问题，实现样本数量与低保真度模型的最优选择，并高效可靠地求解。
2023-05-15 cs.MS cs.NA math.NA
Space-time multilevel Monte Carlo methods and their application to cardiac electrophysiology
我们提出了一种新的方法，旨在高性能的不确定性量化的时间依赖性偏微分方程的问题。特别是，我们考虑输入的不确定性描述的Karhunen-Loeeve扩展和计算统计的高维数量的利益，如心脏激活潜力。我们的方法依赖于一个紧密结合的多级蒙特卡罗方法，并行迭代求解器，和时空离散化。这种组合允许空时自适应、时变域，并利用过去的样本来初始化空时解。使用多级并行化策略来分布所产生的问题序列，将具有不同大小的样本批次分配到不同数量的处理器。我们评估性能的建议框架，详细显示其应用程序所产生的心脏电生理非线性方程的解决方案。具体而言，我们研究了心脏纤维传导率的空间相关扰动对所得到的激活图的平均值和方差的影响。实验结果表明，多层蒙特卡罗算法达到了理论上的收敛速度。此外，对于规定的精度的总计算工作减少了一个数量级相对于标准的蒙特卡罗方法。
2021-02-03 cs.CE cs.NA math.AP
Multilevel randomized quasi-Monte Carlo estimator for nested integration
RWTH Aachen University（亚琛工业大学）；King Abdullah University of Science & Technology (KAUST)（阿卜杜拉国王科技大学）；University of Nottingham（诺丁汉大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
针对嵌套积分问题，提出一种结合确定性和随机拟蒙特卡罗方法的多水平估计器，通过理论分析和数值实验证明其能显著降低偏差和方差，并在计算成本上优于传统方法。
2026-06-02 cs.NA math.NA
Scheduling massively parallel multigrid for multilevel Monte Carlo methods
三维偏微分方程的朴素的、基于采样的不确定性量化的计算复杂性是非常高的。多级方法，如多级蒙特卡罗（MLMC），可以大大降低复杂性，但充分利用它们在并行环境中，复杂的调度策略是必要的。通常，并行执行的快速算法对于计算3D中的精细水平样本是必不可少的，而为了计算单独的粗略水平样本，只能有效地采用中等数量的处理器。我们利用多个实例的并行多重网格求解器结合先进的负载均衡技术。特别是，我们优化的并发执行的MLMC方法的三个层：跨级别，跨样本，跨空间网格的并行化。将分析这些方法的整体效率和性能。这里，多重网格求解器的可扩展性窗口被揭示为是必不可少的，即，该属性的解决方案可以计算的进程数的范围，同时保持良好的并行效率。我们评估了一系列的数值测试中的新的调度策略，并得出结论，证明大型3D缩放实验的文件。
2016-07-12 cs.CE cs.DC cs.MS
Exploiting Inexact Computations in Multilevel Monte Carlo and Other Sampling Methods
Heidelberg University（海德堡大学）；Charles University（查理大学）
本文研究多层抽样中的不精确计算，提出自适应确定各离散层最低精度的 MLMC 算法，并在椭圆型 PDE 中证明低精度求解可带来最高 3.5 倍内存收益和 1.5 倍 FLOPs 加速。
2025-09-30 cs.NA math.NA stat.CO
Hierarchical Gaussian Random Fields for Multilevel Markov Chain Monte Carlo: Coupling Stochastic Partial Differential Equation and The Karhunen-Loève Decomposition
针对高维多层贝叶斯推断中GRF采样的精度、降维与遍历性难题，本文耦合KL展开与SPDE采样，提出协方差保持的分层多重网格框架，并在地下流动基准上验证其效率、精度和收敛优势。
2025-03-18 cs.NA math.NA math.PR
Multi-fidelity and multi-level Monte Carlo methods for kinetic models of traffic flow
本研究针对交通流动力学模型中的不确定性，提出采用多保真度和多级蒙特卡洛方法，通过控制变量技术降低高维耦合的计算成本，数值实验表明其精度优于标准蒙特卡洛，且多保真度方法在合适替代模型下可超越多级方法。
2025-01-27 cs.NA math.NA
Analysis of a class of Multi-Level Markov Chain Monte Carlo algorithms based on Independent Metropolis-Hastings
在这项工作中，我们提出，分析，并实现了一类多层马尔可夫链蒙特卡罗（ML-MCMC）算法的基础上独立的Metropolis-Hastings建议贝叶斯逆问题。在这种情况下，似然函数涉及求解一个复杂的微分模型，然后在一系列越来越精确的离散化上近似。该算法的关键是构造高度耦合的马尔可夫链，并结合标准的多层MCMC算法，以获得比单层MCMC算法更好的代价容限复杂度。我们的方法扩展了Dodwell等人的思想，“A hierarchical multilevel马尔可夫链Monte Carlo algorithm with applications to uncertainty quantification in subsurface flow，”\textit{SIAM/ASA Journal on Uncertainty Quantification 3.1 (2015): 1075-1108,} to a wide range of proposal distribution.我们提出了一个彻底的ML-MCMC方法的收敛性分析，并显示，特别是，（i）在一些温和的条件下（独立）的建议和家庭的后验，存在一个唯一的不变的概率测度由我们的方法产生的耦合链，和（ii），这样的耦合链是一致遍历。我们还推广了Dodwell等人的成本容差定理，我们更广泛的ML-MCMC算法。最后，我们提出了一种自校正连…
2021-05-05 cs.NA math.NA
An approximate control variates approach to multifidelity distribution estimation
本文提出一种预算约束下估计高保真模型QoI累积分布函数的多保真框架，通过选择最优低保真模型子集构建近似控制变量估计器，实现无需先验统计知识且适用于多维的一致且渐近最优估计。
2023-07-05 cs.NA math.NA stat.AP
