低ランク混合提案による高次元でのスケーラブルな重要度サンプリング
Scalable Importance Sampling in High Dimensions with Low-Rank Mixture Proposals
高次元空間での希少事象推定のため、確率的PCA混合モデルを提案分布に用いる重要度サンプリング手法を提案し、シミュレーションで有効性を示した。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ AIが要旨から生成した要約です。正確性は原文をご確認ください。
著者: Liam A. Kruse, Marc R. Schlichting, Mykel J. Kochenderfer
分類: stat.ML, cs.RO
原文アブストラクト
Importance sampling is a Monte Carlo technique for efficiently estimating the likelihood of rare events by biasing the sampling distribution towards the rare event of interest. By drawing weighted samples from a learned proposal distribution, importance sampling allows for more sample-efficient estimation of rare events or tails of distributions. A common choice of proposal density is a Gaussian mixture model (GMM). However, estimating full-rank GMM covariance matrices in high dimensions is a challenging task due to numerical instabilities. In this work, we propose using mixtures of probabilistic principal component analyzers (MPPCA) as the parametric proposal density for importance sampling methods. MPPCA models are a type of low-rank mixture model that can be fit quickly using expectation-maximization, even in high-dimensional spaces. We validate our method on three simulated systems, demonstrating consistent gains in sample efficiency and quality of failure distribution characterization.
関連論文
- 正規化フローの潜在空間探索による重要度サンプリングの改善重要度サンプリング
