正则化嵌套蒙特卡洛 Sobol' 指数估计以平衡随机模型全局敏感性分析中的探索与重复
计算与语言
2022-10-24 v2
摘要
随机模型的 Sobol' 敏感性指数估计量是嵌套蒙特卡洛估计量的函数，后者由两层嵌套蒙特卡洛循环构成。外层循环探索输入空间，并对每次探索在内层循环重复模型运行以估计条件期望。尽管针对嵌套蒙特卡洛估计量的计算预算在探索与重复之间的最优分配已为人所知，但对于嵌套蒙特卡洛估计量函数的处理尚不明晰，尤其当这些函数的 Hessian 矩阵无界时（Sobol' 指数估计量即属此情形）。为解决该问题，引入一种正则化方法以界定嵌套蒙特卡洛估计量函数的均方误差。基于一种启发式策略，提出了一种旨在最小化偏差-方差权衡的分配策略。该方法应用于随机模型的 Sobol' 指数估计量。给出了一种自适应模型内在随机性水平的实用算法，并通过数值实验加以说明。
引用
@article{arxiv.2210.08806,
title = {HCL-TAT: A Hybrid Contrastive Learning Method for Few-shot Event Detection with Task-Adaptive Threshold},
author = {Ruihan Zhang and Wei Wei and Xian-Ling Mao and Rui Fang and Dangyang Chen},
journal= {arXiv preprint arXiv:2210.08806},
year = {2022}
}
备注
This paper has been accepted by Findings of EMNLP 2022