彼尔·约翰逊 , 邓曼瑶 , 高瑞泽 , 韩立岩 , 李振 , 刘瑾 , 龙飞 , 史冬波 , 汤珂 , 严兴 , 张琦

宋洁博

2026年10月09日 15:00 至 16:00

A3-2-303

Zoom 242 742 6089 (BIMSA)

经典蒙特卡洛采样方法在罕见区域中难以获得足够的有效样本, 导致其构建的经验分布在罕见区域的概率估计精度有限. 相比之下, 重要性采样方法通过引入合适的提议分布, 可以显著提高罕见区域样本被采样的次数. 但传统重要性采样在处理高维复杂系统中仍面临联合概率分布未知及复杂系统属于黑箱等挑战. 为改善复杂系统中罕见区域采样困难的问题, 我们提出了一种新的混合采样方法, 在保证样本整体分布基本一致时, 可使用更少的样本对尾部罕见区域进行有效估计, 并且从理论和实验上均进行了详细验证。