LHS in LHS：模拟设计中拉丁超立方抽样的一种新扩展策略
统计方法学
2025-09-04 v1 高能天体物理现象
数据结构与算法
广义相对论与量子宇宙学
摘要
拉丁超立方抽样（LHS）是模拟设计中的一种重要工具，在高维和计算昂贵的问题中有着广泛应用。LHS 允许多种优化策略，最显著的是确保空间填充性质。然而，LHS 是一种单阶段算法，需要对目标样本量有先验知识。在本工作中，我们提出了 LHS in LHS，一种用于 LHS 的新扩展算法，它允许向现有 LHS 分布集合中添加新样本，同时（近似）保持其性质。总而言之，该算法识别远离初始集的参数空间区域，在这些区域内抽取一个新的 LHS，然后将其与原始样本合并。作为副产品，我们引入了一个新指标——LHS 度，它量化了给定设计与 LHS 分布的偏离程度。我们的公开实现通过 Python 包 expandLHS 发布。
引用
@article{arxiv.2509.00159,
title = {LHS in LHS: A new expansion strategy for Latin hypercube sampling in simulation design},
author = {Matteo Boschini and Davide Gerosa and Alessandro Crespi and Matteo Falcone},
journal= {arXiv preprint arXiv:2509.00159},
year = {2025}
}
备注
8 pages, 5 figures