迈向分层蒙特卡洛积分的最优分层
机器学习
2013-03-13 v1
摘要
我们考虑在对噪声函数进行蒙特卡洛积分时的自适应分层采样问题，给定对函数进行噪声评估的有限预算 。本文同时解决了适应函数的两个问题：每个层中的样本数量以及分区本身。更确切地说，在噪声对函数的影响或函数变化非常不均匀的区域细化域分区是有益的。另一方面，过于精细的分层并非最优。事实上，分层越精细，就越难调整样本相对于分层的分配，即在噪声或函数变化较大的地方采样更多点。本文提供了一种算法，该算法从一大类分区中在线选择提供最优权衡的分区，并在此分区上几乎最优地分配样本。
引用
@article{arxiv.1303.2892,
title = {Toward Optimal Stratification for Stratified Monte-Carlo Integration},
author = {Alexandra Carpentier and Remi Munos},
journal= {arXiv preprint arXiv:1303.2892},
year = {2013}
}