스택드 몬테카를로: 머신러닝으로 변동성 감소와 정확도 향상
본 논문은 기존 Monte Carlo 샘플을 사후 처리해 적은 비용으로 추정 오차를 감소시키는 Stacked Monte Carlo(StackMC) 방법을 제안한다. 감독학습 기반 피팅 함수와 k‑fold 교차검증, 그리고 스태킹 기법을 결합해 편향은 유지하면서 분산을 크게 줄인다. 다양한 차원·샘플 수·피팅 모델에 대한 실험과 항공기 연료소모·소닉붐 강도 예측 사례를 통해 기존 MC, 중요도 샘플링, 퀀티즈드 MC 등에 비해 정확도가 현저히 향…
저자: Brendan Tracey, David Wolpert, Juan J. Alonso
본 논문은 Monte Carlo(MC) 적분 추정의 고전적인 문제인 높은 분산과 느린 수렴 속도를 해결하기 위해, 기존 MC 샘플을 사후 처리하는 새로운 방법인 Stacked Monte Carlo(StackMC)를 제안한다. StackMC는 감독학습 기반 피팅 함수와 교차검증, 그리고 스태킹 기법을 결합해, 편향을 유지하면서 분산을 크게 감소시키는 것이 핵심 아이디어이다.
먼저, 적분 ĥf = ∫f(x)p(x)dx 를 두 부분으로 분해한다. 피팅 함수 g(x)를 도입해 ĥf = α·ĥg + ∫
원본 논문
고화질 논문을 불러오는 중입니다...
댓글 및 학술 토론
Loading comments...
의견 남기기