When a plain Monte Carlo estimate on $n$ samples has variance $\sigma^2/n$, then scrambled digital nets attain a variance that is $o(1/n)$ as $n\to\infty$. For finite $n$ and an adversarially selected integrand, the variance of a scrambled $(t,m,s)$-net can be at most $\Gamma\sigma^2/n$ for a maximal gain coefficient $\Gamma<\infty$. The most widely used digital nets and sequences are those of Sobol'. It was previously known that $\Gamma\leqslant 2^t3^s$ for Sobol' points as well as Niederreiter-Xing points. In this paper we study nets in base $2$. We show that $\Gamma \leqslant2^{t+s-1}$ for nets. This bound is a simple, but apparently unnoticed, consequence of a microstructure analysis in Niederreiter and Pirsic (2001). We obtain a sharper bound that is smaller than this for some digital nets. We also show that all nonzero gain coefficients must be powers of two. A consequence of this latter fact is a simplified algorithm for computing gain coefficients of nets in base $2$.


翻译:当一个平淡的蒙特卡洛对美元样品的估算值出现差异时,当一个平淡的蒙特卡洛对美元样品的估算值出现差异时,最广泛使用的数字网和序列是索波尔的。以前已知索波尔点和Niederreiter-Xing点的基值为$(t,m,s)-net。在本文中,我们研究的基值为$(t,m,s)-net的差异最多为$(gamma\sigma2,n)美元,以换取最大增益系数$\Gamma\gma ⁇ /infty$。由于对Niederreiter和Pirsic的微结构分析,这一约束非常简单,但显然不为人们所注意。我们以前知道,索波尔点点和Niederreqslant 2,t3$(n)和Niedrerereiter-Xing点的基值为$。在本文中,我们以基值为基值的基值为2美元的研究网值的基值的基值为基数。我们还要显示,这个基数的基数的基数将获得的不精确值为2。

0
下载
关闭预览

相关内容

【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
revelation of MONet
CreateAMind
5+阅读 · 2019年6月8日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
2018: AI in All的元年
专知
3+阅读 · 2018年12月26日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
最佳实践:深度学习用于自然语言处理(三)
待字闺中
3+阅读 · 2017年8月20日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Arxiv
0+阅读 · 2021年8月19日
Arxiv
0+阅读 · 2021年8月19日
Probability Estimation of Uncertain Process Traces
Arxiv
0+阅读 · 2021年8月19日
Arxiv
0+阅读 · 2021年8月18日
VIP会员
相关资讯
revelation of MONet
CreateAMind
5+阅读 · 2019年6月8日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
2018: AI in All的元年
专知
3+阅读 · 2018年12月26日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
最佳实践:深度学习用于自然语言处理(三)
待字闺中
3+阅读 · 2017年8月20日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Top
微信扫码咨询专知VIP会员