Geometric Optics Approximation Sampling: A Reflector-Induced Transport Map Framework
School of Mathematics, Hunan University(湖南大学数学学院);Hunan Provincial Key Laboratory of Intelligent Information Processing and Applied Mathematics, Hunan University(湖南大学智能信息处理与应用数学湖南省重点实验室)
本文提出GOAS框架,利用反射物理定律构造传输映射,仅需目标测度离散近似,经软最小平滑后在多类实验中验证了其采样的准确性与灵活性。
2026-09-04 cs.NA math.NA math.ST
Diffeomorphic random sampling using optimal information transport
Florida State University(佛罗里达州立大学);University of Utah(犹他大学);Chalmers University of Technology and the University of Gothenburg(查尔姆斯理工大学和哥德堡大学)
本文提出一种基于最优信息传输的微分同胚随机采样算法,用于在黎曼流形上采样非均匀概率分布,该方法利用 Fisher-Rao 度量与微分同胚群的几何联系,避免了非线性 Monge-Ampere 方程。
2017-04-25 cs.NA math.NA math.PR
Geometric Optics Approximation Sampling: A Far-Field Reflector-Induced Transport Framework
School of Mathematics, Hunan University(湖南大学数学学院);Hunan Provincial Key Laboratory of Intelligent Information Processing and Applied Mathematics, Hunan University(湖南大学智能信息处理与应用数学湖南省重点实验室)
该研究提出GOAS框架,结合远场反射器问题与对数成本最优传输,通过支撑双曲面构造实现采样,经非高斯目标与贝叶斯逆问题实验验证其性能优于部分对比方法。
2026-09-04 cs.NA math.NA
Near-optimal sampling strategies for multivariate function approximation on general domains
在本文中,我们解决的问题,逼近定义在一般域上的多元函数在$d$维从样本点。我们考虑加权最小二乘逼近在任意有限维空间$P$从独立的随机样本根据一个合适的措施。通常,当样本点$M$的数量接近$N = \dim(P)$时,最小二乘逼近可能是不准确的并且是病态的。为了抵消这一点,我们引入了一种新的方法,在一般域的采样,从而导致可证明的准确性和良好的条件近似。由此产生的采样测量是离散的,因此可以直接从中采样。我们的主要结果表明,接近最佳的样本复杂性,这个过程中,特别是,$M = \mathcal{O}(N \log(N))$样本足够一个良好的条件和准确的近似。一般域上的多项式逼近的数值实验证实了该方法优于标准抽样。
2019-12-14 cs.NA math.NA
Approximation of discontinuous functions by Kantorovich exponential sampling series
本文分析了有界可测信号f在跳跃间断处的Kantorovich指数抽样序列。建立了该级数的一个表示引理,并利用该引理证明了某些不连续信号的逼近定理。研究了该级数用对数光滑模表示的逼近阶。此外,已经获得了基于过去样本值的信号的线性预测。进行了一些数值模拟以验证采样序列对不连续信号f的逼近。
2021-02-08 cs.NA math.FA math.NA
Approximation by sampling-type operators in $L_p$-spaces
研究了采样型拟投影算子$Q_j(f,φ, \widetildeφ)$对各向异性Besov空间中函数$f$的逼近性质.在$φ$具有足够的衰减性,满足Strang-Fix条件和与$\widetildeφ$相容的条件下,得到了一类调和分布$\widetildeφ$和一类函数$φ$的$L_p$模误差估计.估计是根据光滑模和最佳逼近给出的。
2020-01-23 cs.NA math.CA math.NA
Model reduction for transport-dominated problems via online adaptive bases and adaptive sampling
这项工作提出了一个模型简化方法的问题,随着时间的推移,如对流为主的流动和波型现象的传播相干结构。传统的模型降阶法难以处理这些输运主导的问题,因为传播相干结构通常会引入需要高维近似空间的高维特征。在这项工作中提出的方法利用传播相干结构的空间和时间的局部性,以获得有效的降阶模型。全模型的解决方案是近似的本地时间通过本地减少空间,适应与基础更新在时间步进。基础更新是通过在几个选定的空间坐标处查询完整模型而导出的。这项工作的一个核心贡献是一个自适应的抽样方案,选择在哪些组件查询完整的模型计算基础更新。所提出的分析表明,在概率上,更多的本地的相干结构是在空间中,更少的全模型样本需要适应减少的基础与建议的自适应采样方案。基准的例子与相互作用的波型结构和随时间变化的运输速度和模型燃烧室的单元素火箭发动机的数值结果表明,所提出的方法和运行时的加速比高达一个数量级相比,完整的模型和传统的降阶模型的广泛适用性。
2020-06-14 cs.NA math.NA
Weighted Approximation By Max-Product Generalized Exponential Sampling Series
本文研究经典广义Max-Product指数采样级数在对数一致连续且有界函数加权空间中的收敛行为,推导了基本与渐近收敛结果,并利用加权对数连续模获得了定量逼近结果。
2024-09-24 cs.NA math.FA math.NA
Multiple Lattice Rules for Multivariate $L_\infty$ Approximation in the Worst-Case Setting
我们开发了一个通用的框架,估计的$L_\infty(\mathbb{T}^d)$误差的近似属于特定的再生核希尔伯特空间(RHKS)的多变量周期函数使用近似三角多项式计算采样值。所使用的采样方案是可以以非常有效的方式构造的秩1格的合适集合。此外,采样方案的结构允许快速傅里叶变换(FFT)算法。我们提出并讨论了一种FFT算法,并分析了这种特定方法的最坏情况下的$L_\infty$错误。使用这个一般的结果,我们制定了非常弱的要求,允许一个简单的上界的抽样数的近似数,其中的近似误差是衡量的$L_\infty$规范的RHKS。这个估计的巨大优势是它的前渐近有效性,以及它的简单性和详细说明。事实证明,近似数和抽样数最多略有不同。出现的乘法间隙不取决于空间维度$d$,并且最多分别在数学上取决于所使用的线性信息或采样值的数量。此外,我们说明了新的采样方法的能力与特定的高度流行的源空间的帮助下,这产生的建议的算法是从不同的角度来看几乎是最佳的。例如,我们改进了采样方法的$L_\infty$近似的易处理性结果,并且我们实现了占主导地位的混合平滑函数的几乎最佳采样率。建议的采样方法的最大优点是用于确定采样集的建设性方法,保证所示的误差界,所有必要的算法的简单性和极端的效率。
2019-09-05 cs.NA math.NA
Approximation by linear sampling operators in Banach spaces
Institute for Numerical and Applied Mathematics, Göttingen University(哥廷根大学应用数学与数值计算研究所)
本文研究Banach空间中线性采样算子的逼近性质,推导了新的逼近估计和等价结果,扩展了经典定理的应用范围。
2026-01-26 cs.NA math.CA math.FA
Optimal sampling for least squares approximation with general dictionaries
Physikalisch-Technische Bundesanstalt(德国联邦物理技术研究院);Nantes Université(南特大学)
本文提出了一种离线估计线性空间正交基的策略,通过减少样本量提升最小二乘逼近效率。
2025-12-02 cs.NA math.NA
Towards optimal sampling for learning sparse approximation in high dimensions
在本章中,我们讨论了最近的工作学习稀疏逼近数据的高维函数,其中的目标函数可以是标量,向量,甚至希尔伯特空间值。我们的主要目标是研究采样策略如何影响样本的复杂性,即样本的样本个数,足以准确和稳定的恢复,并使用这种洞察力,以获得最佳或接近最佳的采样程序。我们考虑两种设置。首先,当一个目标稀疏表示是已知的,在这种情况下,我们提出了一个近乎完整的答案的基础上绘制独立的随机样本,从精心设计的概率测度。其次,我们考虑更具挑战性的情况下,这种代表性是未知的。在这种情况下,虽然没有给出一个完整的答案,我们描述了一个一般的抽样措施,提高了标准的蒙特卡罗抽样建设。我们提出了使用代数和三角多项式的例子,对于前者,我们还介绍了一个新的程序函数逼近不规则(即,非张量)域。数值算例表明了该方法的有效性。最后,我们讨论了一些结构稀疏模型,以及它们如何导致更好的近似。
2022-02-04 cs.NA math.NA
Sampling, Marcinkiewicz-Zygmund Inequalities, Approximation, and Quadrature Rules
本文基于$L^2$中的Marcinkiewicz-Zygmund不等式,用完全初等的方法推导出逼近定理与求积法则,仅依赖不等式定义、Sobolev空间和最小二乘问题的解。
2019-09-17 cs.NA math.FA math.NA
Transport map accelerated adaptive importance sampling, and application to inverse problems arising from multiscale stochastic reaction networks
在许多应用中,贝叶斯逆问题会产生概率分布,由于Hessian在参数空间中变化很大,因此这些概率分布包含复杂性。这种复杂性通常表现为低维流形上的似然函数是不变的,或变化很小。这可能是由于试图推断不可观察的参数,或者由于用于描述数据的模型中的草率。在这种情况下,用于表征后验分布的标准采样方法将是非常低效的,因为该方法不包含关于该结构的信息。在本文中,我们寻求开发一种方法来解决这个问题时,使用自适应重要性抽样方法,通过使用最佳的运输地图,以简化后验分布,这是集中在低维流形。这种方法适用于整个范围的问题,其中蒙特卡罗马尔可夫链(MCMC)方法混合缓慢。我们证明的方法,考虑部分观察到的随机反应网络所产生的反问题。特别是,我们认为系统表现出多尺度行为,但只有系统中的慢变量是可观察的。我们证明,某些多尺度近似导致更一致的近似后比别人。最佳传输映射的使用稳定了系综变换自适应重要性抽样(ETAIS)方法,并允许以较小的系综尺寸进行有效采样。这种方法使我们能够利用大幅度提高效率时,使用自适应重要性抽样方法以前棘手的贝叶斯逆问题与复杂的后验结构。
2020-07-27 cs.NA math.NA math.PR
An Adaptive sampling and domain learning strategy for multivariate function approximation on unknown domains
计算科学和工程中的许多问题都可以用从样本数据近似定义在未知的感兴趣域$Ω\subset \mathbb{R}^d$上的$d$变量的光滑函数来描述。在这里,维度灾难($d\gg 1$)和缺乏领域知识与$Ω$潜在的不规则和/或断开的基于采样的方法的混杂因素。简单的方法通常会导致浪费样本和低效的近似方案。例如,在某些问题中,均匀采样可能导致高达20%的样本浪费。在计算不确定性量化(UQ)的代理模型构造中,计算样本的高成本需要更有效的采样过程。在过去的几年中,计算方法从样本数据的近似已经研究的情况下,不规则的域。已经示出了根据$\dim(P)=N$的近似空间$P$计算采样测量的优点。特别地,这样的方法赋予诸如稳定性和良好调节的优点,其中$\mathcal{O}(N\log(N))$作为样品复杂性。最近提出的一般域自适应采样(ASGD)策略是一种方法来构建这些采样措施。本文的主要贡献是通过自适应更新未知域上的采样测度来改进ASGD。我们实现这一点,首先介绍了一个通用的域自适应策略(GDAS),它近似的功能和域的兴趣从样本点。其次,我们提出了自适应采样未知域(ASUD),它产生的采样措施,可能事先不知道的域。我们的研究结果表明,ASUD方法始终实现相同或更小的误差均匀采样,但使用更少,往往显着更少的评估。
2022-10-04 cs.NA math.NA
Sampling recovery on classes defined by integral operators and sparse approximation with adaptive dictionaries
本文研究了由积分算子定义的类上的采样恢复误差渐进行为,并将其与自适应字典下的稀疏逼近问题联系起来。
2026-01-13 cs.NA math.FA math.NA
Special measures of smoothness for approximation by sampling operators in $L_p(\Bbb{R}^d)$
针对低光滑函数传统度量失效问题,提出结合采样点局部行为的改进光滑性度量,为 $L_p$ 空间采样算子逼近提供匹配的正逆误差估计及收敛准则。
2025-07-01 cs.NA math.CA math.NA
Stable Nonlinear Dynamical Approximation with Dynamical Sampling
针对含时偏微分方程求解问题,提出带稳定性保证、低数值复杂度的动力采样非线性动力逼近方法,通过参数化解码器与希尔伯特空间子空间投影演化参数,在中等维度算例上验证了有效性。
2025-05-17 cs.NA math.NA
Inverse approximation and GBS of bivariate Kantorovich type sampling series
Visvesvaraya National Institute of Technology(维斯瓦萨瓦亚国家理工学院)
本文研究了双变量Kantorovich型采样算子的逆问题,推导了在连续函数空间中的逼近结果,并证明了在Bogel空间中GBS的逼近速度,最后给出了该理论应用的核函数示例。
2019-05-28 cs.NA math.FA math.NA
Sampling, approximation, and interpolation of differential forms by admissible integral k-meshes
本文提出可允许的积分$k$-网格用于微分形式的采样、近似与插值,通过定义费克特电流和列亚序列并提出数值方案,实现高稳定性插值集的构造。
2025-12-02 cs.NA math.NA
Inexact Gauss-Newton methods with matrix approximation by sampling for nonlinear least-squares and systems
本研究开发并分析了用于非线性最小二乘与方程组的随机不精确Gauss-Newton方法,通过矩阵采样构建随机模型,推导了最坏情况期望迭代次数以指导采样策略,并给出了数值验证结果。
2024-12-08 cs.NA math.NA math.OC
Sampling Boltzmann distributions via normalizing flow approximation of transport maps
本文通过传输映射的归一化流近似方法,建立了参考测度与真实玻尔兹曼分布之间的归一化流,证明其在Wasserstein距离下的存在性,并通过数值模拟验证了该方法的有效性。
2026-03-15 cs.LG cs.NA math.NA
Ensemble Transport Adaptive Importance Sampling
Imperial College, London, UK(帝国理工学院);University of Manchester, Manchester, UK(曼彻斯特大学)
本文提出了一种基于粒子集合的自适应重要性采样方法,通过使用粒子集合生成重要性采样提议分布,并结合最先进的粒子运载重采样方法生成均匀加权样本,从而在低维问题中优于MCMC方法,并在粒子数量增加时表现出更好的收敛速度。此外,还引入了新的重采样策略多级变换(MT),并探讨了混合提议算法参数的快速调优方法,以优化性能。
2019-01-30 cs.NA math.NA stat.CO
A low-rank Schwarz method for radiative transport equation with heterogeneous scattering coefficient
随机抽样已被用来寻找低秩结构,并建立快速直接求解器的多尺度偏微分方程的各种类型。在这项工作中,我们设计了一个加速施瓦茨方法的辐射传输方程,利用近似的局部解映射离线构建通过随机采样策略。数值算例验证了该方法的准确性、鲁棒性和有效性。
2020-06-22 cs.NA math.NA
A rational approximation of the sinc function based on sampling and the Fourier transforms
在我们之前的出版物中,我们已经介绍了余弦积和恒等式[17] $$ \prod\limits_{m = 1}^M {\cos \left( {\frac{t}{2^m}} \right)} = \frac{1}{2^{M - 1}}\sum\limits_{m = 1}^{2^{M - 1}} {\cos \left( {\frac{2m - 1}{2^M}t} \right)} $$,并将其应用于采样[1,2],作为sinc函数的不完全余弦展开,以获得Voigt/复误差函数的有理逼近,仅使用$16$求和项可以提供精确度${\sim 10^{ - 14}}$。在这项工作中,我们推广这种方法,并显示作为一个例子如何有理逼近的sinc函数可以得出。MATLAB代码验证这些结果。
2019-10-22 cs.NA math.NA
Semi-Discrete approximation of Optimal Mass Transport
Technion(以色列理工学院)
本文提出半离散成本方法近似最优质量运输,定义了最优划分和最优强划分,并给出计算通用成本函数下的最优运输的算法及误差估计和数值例子。
2015-02-15 cs.NA math.NA
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
Improved sampling and validation of frozen Gaussian approximation with surface hopping algorithm for nonadiabatic dynamics
Duke University(杜克大学)
本文提出改进的FGA-SH方法,利用出生和死亡分支过程提升采样效率,并通过标准非绝热动力学测试案例验证算法有效性。
2016-09-08 cs.NA math.NA physics.chem-ph
Optimal pointwise sampling for $L^2$ approximation
给定一个函数$u\in L^2=L^2(D,μ)$,其中$D\subset \mathbb R^d$和$μ$是$D$上的一个测度,以及$n$维的线性子空间$V_n\subset L^2$,我们证明了在$V_n$中的$u$的近最佳逼近可以从$Cn$逐点估计的近最优预算中计算出来,其中$C>1$是一个普适常数.该方法根据一定的随机分布抽取采样点,采用加权最小二乘法计算采样点的近似值,并以期望$L^2$范数估计误差。该结果改进了[6,8]中的结果,由于[17,18]中引入的稀疏化策略,[6,8]中的结果需要对数因子次优的采样预算。作为结果,我们得到的任何紧凑类$\mathcal K\subset L^2$的随机设置中的采样数$ρ_{Cn}^{\rm rand}(\mathcal K)_{L^2}$是占主导地位的Kolmogorov $n$-宽度$d_n(\mathcal K)_{L^2}$。虽然我们的结果表明存在具有此类接近最佳属性的随机抽样,但我们讨论了有关通过计算高效算法生成随机抽样的剩余问题。
2021-09-13 cs.NA math.NA
Sampling through iterated approximation: Gradient-free and multi-fidelity Bayesian inference via transport
Massachusetts Institute of Technology(麻省理工学院);Sandia National Laboratories(桑迪亚国家实验室)
本文提出一种迭代框架,用于贝叶斯推断问题,结合几何退火与多保真度建模,通过变分学习生成测度传输代理,结合重要性加权方案,高效准确地解决低维强非高斯贝叶斯逆问题。
2026-03-12 cs.NA math.NA stat.CO
Manifold Approximations via Transported Subspaces: Model reduction for transport-dominated problems
本文提出了一种构造参数化非线性标量守恒律大系统的在线有效降阶模型的方法。由输运主导的问题(如双曲守恒律)引起的解流形通常表现出非线性结构,这意味着基于线性逼近的传统模型降阶法在应用于这些问题时是低效的。与此相反,在这项工作中引入的方法推导出减少近似,是非线性的,明确组成全球运输动力学与局部线性逼近的解决方案流形。一个时间步长的计划发展的非线性降阶模型,通过运输的局部近似空间沿特征曲线的控制方程。所提出的计算过程允许离线/在线分解,并且在精确地对非线性降阶模型进行时间步进的复杂性独立于完整模型的复杂性的意义上是在线高效的。通过非均匀介质和Burgers方程的输运数值实验表明,与传统的线性降阶模型和完整模型相比,基于输运子空间的非线性降阶模型的速度提高了几个数量级。
2020-12-31 cs.NA math.NA
Approximation of multivariate periodic functions based on sampling along multiple rank-1 lattices
Chemnitz University of Technology(开姆尼茨工业大学)
本文研究了基于采样值对高维周期函数进行近似重建的问题,提出了一种结合多种优势的多秩1晶格采样方案,并在Sobolev Hilbert空间中给出了误差估计,证明了其在L2范数下的采样误差优于单秩1晶格采样。
2019-05-10 cs.NA math.NA
Constructing sampling schemes via coupling: Markov semigroups and optimal transport
本文提出一种通用框架,用于构建耦合马尔可夫链采样器,结合马尔可夫半群与最优传输理论,分析高效耦合方法,并改进皮卡-德雷弗不等式以加速收敛。
2018-06-28 cs.NA math.NA math.PR
Determinant-Based Error Bounds for CUR Matrix Approximation: Oversampling and Volume Sampling
CSIRO Data61(澳大利亚联邦科学与工业研究组织数据61);The Australian National University(澳大利亚国立大学)
本文提出基于行列式的CUR矩阵近似误差界分析框架,结合体积采样理论,推导出过度采样对误差的线性影响,并建立与最优低秩近似质量的直接联系。
2026-03-04 cs.NA math.NA
Sampling-based Nyström Approximation and Kernel Quadrature
University of Oxford(牛津大学)
本文分析了正定核的Nyström近似,利用统计学习理论证明了i.i.d.抽样下传统方法的改进误差界,提出了适用于非i.i.d.地标点的子空间精炼选择方法,并探讨了其在凸核求积中的理论保证与数值表现。
2023-05-23 cs.LG cs.NA math.NA
Stability of Least Squares Approximation under Random Sampling
Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院);University of Chinese Academy of Sciences(中国科学院大学)
本文研究了在随机采样下最小子集逼近的稳定性,证明了所需采样率与多项式次数的平方成正比,揭示了准确性和稳定性之间的平衡。
2026-02-15 cs.NA math.NA
Sampling Methods for Bayesian Inference Involving Convergent Noisy Approximations of Forward Maps
我们提出了贝叶斯技术解决逆问题,其中涉及均方收敛随机近似的正向映射。前向映射的噪声近似出现在多尺度问题和概率数值方法等领域。在这些领域中,随机近似可以提高推理过程的质量或效率,但由于前向映射的随机性,需要额外的理论和计算困难。解决这个问题的标准技术是将蒙特卡洛平均与马尔可夫链蒙特卡洛采样器相结合,例如在伪边缘Metropolis-Hastings方法中。在本文中,我们考虑均方收敛的随机近似,并量化如何蒙特卡罗误差传播的正向映射的反问题的解决方案。此外,我们回顾和描述简单的技术来解决这样的反问题,并比较性能与一系列的数值实验。
2021-11-05 cs.NA math.NA
Refinement-based Christoffel sampling for least squares approximation in non-orthogonal bases
KU Leuven(荷语鲁汶大学);Simon Fraser University(西蒙菲莎大学)
本文提出了一种基于精修的基督福尔采样算法,用于非正交基底中的最小二乘逼近,通过避免离散正交化提高了计算效率和鲁棒性。
2025-12-19 cs.NA math.NA
On numerical approximation of the Hamilton-Jacobi-transport system arising in high frequency approximations
针对几何光学中Hamilton-Jacobi与传输方程耦合系统,提出半拉格朗日格式并证明离散问题的适定性与解收敛到精确问题的粘性-测度值解。
2011-10-19 cs.NA math.AP math.NA
A Compressive Sampling Approach To Adaptive Multi-Resolution Approximation of Differential Equations With Random Inputs
Sharif University of Technology(谢里夫理工大学)
本文提出一种基于压缩采样和稀疏恢复的新型方法,用于自适应近似随机微分方程的解,通过多小波基(MWB)从少量随机样本中进行稀疏恢复,通过三个基准问题验证方法的鲁棒性,并与蒙特卡洛模拟结果对比。
2013-07-02 cs.NA math.NA
Sampling based approximation of linear functionals in Reproducing Kernel Hilbert Spaces
本文分析了用节点值逼近再生核希尔伯特空间中定义的线性泛函的贪婪过程。这个程序计算一个求积规则,它可以应用于一般泛函,包括积分泛函。对于一大类泛函,我们证明了收敛结果的近似通过统一和贪婪的点,以各种方式推广几个已知的结果。还讨论了权值和节点计算的扰动分析。除了理论研究,我们证明了数值计算,我们的算法是有效的,在治疗各种积分密度,它甚至是非常有竞争力的现有方法相比,不确定性量化。
2020-04-01 cs.NA math.NA
Optimal sampling design for global approximation of jump diffusion SDEs
AGH University of Science and Technology(AGH科技大学)
本文研究了由非齐次泊松过程和维纳过程驱动的随机微分方程的强全局近似问题,通过分析跳扩散系数满足跳跃交换条件时,基于有限观测的采样方法的最小误差收敛率,并提出基于经典米尔斯坦方案的最优方法,证明非等距采样方法比等距采样方法更高效。
2017-01-28 cs.NA math.NA
Sampling and Approximation of Bandlimited Volumetric Data
Tel-Aviv University(特拉维夫大学)
该研究提出了一种在三维空间中近似函数的方法,仅需在笛卡尔网格上采样,并假设函数在空间和频率上足够集中。方法基于广义 prolate 球面谐波基函数展开,系数通过函数样本与基函数样本的加权点积确定,并提出截断规则以保证数值实现的有限性,最后推导出近似误差的界。
2018-11-17 cs.NA math.NA
Sharp $L_p$-error estimates for sampling operators
研究了线性采样算子在$L_p$空间中对$1\le p<\infty$的逼近性质.通过Steklov平均,我们引入了一个新的措施,同时包含信息的平滑度的函数在$L_p$和离散信息的行为的函数在采样点的平滑度。新的光滑性测度使我们能够改进和推广逼近论的几个经典结果到线性采样算子的情形。特别是,我们得到匹配的直接和逆逼近不等式的采样算子在$L_p$,找到确切的顺序衰减相应的$L_p$ -错误的特定类别的功能,并介绍了一个特殊的$K$ -功能及其实现适合于研究光滑性的采样算子。
2022-02-10 cs.NA math.CA math.NA
A sampling-based approximation of the complex error function and its implementation without poles
York University(约克大学)
本文提出了一种基于采样的复误差函数近似方法,并展示如何通过高效计算复误差函数来避免极点,从而在更小的虚部值下实现高精度的全复平面计算。
2018-04-03 cs.NA math.NA
Low rank approximation of positive semi-definite symmetric matrices using Gaussian elimination and volume sampling
半正定矩阵通常作为统计学中最小二乘问题的正规矩阵或机器学习和逼近论中的核矩阵出现。它们通常大而密集。因此,用这种矩阵求解系统的算法可能非常昂贵。降低计算复杂性的一个核心思想是用低秩的矩阵来近似矩阵。最佳和充分理解的选择是基于矩阵的特征值分解。不幸的是,这在计算上非常昂贵。更便宜的方法是基于高斯消去法,但它们需要旋转。我们将展示如何不变矩阵理论提供明确的误差公式的平均误差的基础上体积采样。该公式导出了特征值上的初等对称多项式的比值。我们讨论了一些新的一个旧的界限,并包括几个例子,预期的误差范数可以精确计算。
2020-11-30 cs.NA math.NA
Notes on optimal approximations for importance sampling
NVIDIA(英伟达);Unity Technologies(Unity科技公司)
本文研究了在重要性抽样估计器中最小化方差的最优近似条件,探讨了在特定分段常数函数类中寻找最优投影g以最小化方差,以及通过近似比例的重要性抽样密度近似目标混合分布的问题。
2017-07-28 cs.GR cs.NA math.NA
Stability of discrete empirical interpolation and gappy proper orthogonal decomposition with randomized and deterministic sampling points
本文研究了非线性模型简化和测量态场近似的(离散)经验插值的稳定性。经验插值通过低维空间中的插值从一些样本(测量)中获得近似值。已经观察到,如果样本由于例如以下原因而被扰动,则经验插值可能变得不稳定,噪声、湍流和数值不准确。这项工作的主要贡献是一个概率分析表明,如果样本是随机的,如果更多的样本比维度的低维空间,获得稳定的近似。过采样,即,采用比低维空间的维数更多的采样点,导致通过回归的近似,并且以Gappy适当正交分解的名义而被公知。建立在概率分析的见解,一个确定性的抽样策略,旨在实现更低的近似误差与随机抽样,通过考虑到低维空间的信息较少的点。通过对燃烧过程噪声测量数据的速度场重建和噪声条件下的模型降阶,验证了经验插值的不稳定性和带间隙的正交分解的稳定性。
2020-05-19 cs.NA math.NA
Optimal sampling for least-squares approximation
本文回顾了任意线性空间中(加权)最小二乘逼近的近最优随机采样策略,提出基于 Christoffel function 的 Christoffel sampling 方法,使样本复杂度随空间维数呈对数线性增长,并将其推广至非线性逼近空间和一般恢复问题。
2025-08-08 cs.LG cs.NA math.NA
Consensus-based adaptive sampling and approximation for high-dimensional energy landscapes
Michigan State University(密歇根州立大学)
提出共识框架,通过后验残差自适应采样和相空间探索,联合优化代理模型与采样,有效构建高维集体变量的自由能面。
2026-06-05 cs.NA math.NA physics.comp-ph
Rapid covariance-based sampling of linear SPDE approximations in the multilevel Monte Carlo method
考虑了在加性高斯噪声下线性随机偏微分方程解的非线性泛函均值的有效模拟。采用Galerkin有限元法和隐式Euler格式,得到了该方程温和解的完全离散逼近。提出了一种计算这种近似的协方差的方案,该方案允许在蒙特卡罗方法中快速采样。然后,这是一个多层次的蒙特卡罗方法,其中一个计划来计算在不同的水平近似之间的互协方差。与传统的基于路径的方法相比,它不假设在这些层次上的Galerkin子空间是嵌套的。所提出的方案的计算复杂性相比,传统的方法和模拟证实,在适当的假设下,新的计划的成本显着降低。
2019-07-24 cs.NA math.NA math.PR
Efficient Approximation of Solutions of Parametric Linear Transport Equations by ReLU DNNs
我们证明了具有ReLU激活函数的深度神经网络可以有效地近似各种类型的参数线性传输方程的解。对于非光滑的初始条件,这些偏微分方程的解是高维的和非光滑的。因此,这些函数的近似受到维数灾难的影响。我们证明,通过其固有的组合性,深度神经网络可以解决传输方程的特征流,从而允许独立于参数维度的近似率。
2020-01-30 cs.NA math.AP math.FA
CAS4DL: Christoffel Adaptive Sampling for function approximation via Deep Learning
Simon Fraser University(西蒙弗雷泽大学)
从采样点近似平滑的多变量函数的问题出现在科学计算的许多应用中,例如,计算不确定性量化(UQ)的科学和工程。在这些应用中,目标函数可以表示参数化偏微分方程(PDE)的期望的感兴趣量。由于解决这些问题的成本很高,其中每个样本都是通过求解PDE来计算的,因此样本效率是这些应用的关键。最近,人们越来越关注使用深度神经网络(DNN)和深度学习(DL)从数据中学习这些函数。在这项工作中,我们提出了一种自适应采样策略,CAS4DL(用于深度学习的Christoffel自适应采样),以提高DL用于多元函数逼近的样本效率。我们的新方法是基于将DNN的倒数第二层解释为该层上节点定义的函数字典。有了这个观点,然后,我们定义了一个自适应采样策略的动机最近提出的自适应采样计划的线性逼近方案,其中随机抽取样本相对于这个字典所跨越的子空间的Christoffel函数。我们目前的数值实验比较CAS4DL与标准蒙特卡罗(MC)采样。我们的研究结果表明,CAS4DL往往会产生大量节省的样本数量,以达到给定的精度,特别是在光滑的激活函数的情况下,它显示出更好的稳定性相比,MC。因此,这些结果是一个充满希望的一步,充分适应DL对科学计算的应用。
2022-08-25 cs.LG cs.NA math.NA
Context-aware surrogate modeling for balancing approximation and sampling costs in multi-fidelity importance sampling and Bayesian inverse problems
New York University(纽约大学)
多保真度方法利用低成本的代理模型来加速计算,并偶尔求助于昂贵的高保真模型来建立准确性保证。由于替代模型和高保真模型一起使用,因此替代模型的不良预测可以通过频繁求助于高保真模型来补偿。因此,在投资计算资源以提高代理模型的准确性与简单地更频繁地求助于昂贵的高保真模型之间存在权衡;然而,这种权衡被传统建模方法所忽略,传统建模方法构建的代理模型旨在取代高保真模型,而不是与高保真模型一起使用。这项工作认为,多保真度的重要性采样和理论和计算权衡增加替代模型的保真度,以构建更准确的偏置密度和样本的数量,需要从高保真模型,以补偿穷人的偏置密度。数值例子表明,这样的上下文感知的代理模型的多保真度的重要性采样具有较低的保真度比通常被设置为传统的模型约简中的容限,导致运行时加速高达一个数量级的数量级在所提出的例子。
2021-09-12 cs.LG cs.NA math.NA