고차원 기대값과 희귀 사건을 위한 분할 샘플링 기법
본 논문은 보조 변수 MCMC와 라오-블랙웰화(Rao‑Blackwell) 추정을 결합한 ‘분할 샘플링’ 방법을 제안한다. 기대값을 희귀 사건 확률의 적분 형태로 변환하고, 이를 통해 고차원 혼합 가우시안의 정규화 상수와 네트워크 최단 경로 희귀 사건 확률을 효율적으로 추정한다. 기존의 교차 엔트로피, 중첩 샘플링, 조건부 확률 곱, 중요도 샘플링과 비교하여 정확도와 계산 효율성에서 우수함을 보이며, R 패키지 SplitSampling으로 구현된…
저자: John R. Birge, Changgee Chang, Nicholas G. Polson
본 논문은 고차원 확률 모델에서 기대값이나 희귀 사건 확률을 정확히 추정하는 것이 통계적·계산적 난관이 된다는 점을 출발점으로 삼는다. 전통적인 몬테카를로 시뮬레이션은 희귀 사건이 발생할 확률이 매우 낮을 경우 샘플 효율이 급격히 떨어지고, 중요도 샘플링은 적절한 제안 분포를 설계하기 어려워 가중치의 변동성이 커지는 문제가 있다. 이러한 배경에서 저자들은 ‘분할 샘플링(Split Sampling)’이라는 새로운 방법론을 제안한다. 핵심 아이디어는 관심 함수 h(X) 의 기대값 E
원본 논문
고화질 논문을 불러오는 중입니다...
댓글 및 학술 토론
Loading comments...
의견 남기기