改进人群蒙特卡洛算法：替代权重和重采样方案
摘要：人口蒙特卡洛(PMC)采样方法是一种强大的工具，用于近似给定一组观测值的静态未知分布。这些方法具有迭代的特性：在每一步中，它们从提议分布中生成样本，并根据重要性抽样原则赋予它们权重。应用PMC方法的关键问题是选择样本生成函数并避免样本退化。本文提出了三种新的方案，通过更好地探索未知空间和更合适地选择存活样本，显著改进了原始PMC公式的性能。通过理论分析，证明了新方案在估计量的方差和样本多样性保持方面的优势。此外，通过大量数值模拟，我们证明了这些方案在均方误差和对初始化的稳健性方面优于其他先进算法。
作者：V''ictor Elvira, Luca Martino, David Luengo, and M''onica F. Bugallo
论文ID：1607.02758
分类：Computation
分类简称：stat.CO
提交时间：2022-01-17