Enhanced Importance Sampling through Latent Space Exploration in Normalizing Flows

要約

インポータンス サンプリングは、サンプリング分布を関心のある稀なイベントに偏らせるためにモンテカルロ シミュレーションで使用される稀なイベント シミュレーション手法です。
重要度サンプリングでは、サンプリングされたポイントに適切な重みを割り当てることで、まれなイベントや分布の裾野をより効率的に推定できます。
ただし、提案分布がターゲット分布を効果的にカバーしていない場合、重要度サンプリングは失敗する可能性があります。
この研究では、正規化フローの潜在空間内の提案分布を更新することにより、より効率的なサンプリングの方法を提案します。
正規化フローは、ターゲット分布からより単純な潜在分布への可逆マッピングを学習します。
潜在空間は、提案分布の検索中により簡単に探索でき、提案分布からのサンプルは、可逆マッピングを介してターゲット分布の空間に復元されます。
私たちは、自律走行レースや航空機の地上衝突回避などのシミュレートされたロボット工学アプリケーションに関する方法論を経験的に検証します。

要約(オリジナル)

Importance sampling is a rare event simulation technique used in Monte Carlo simulations to bias the sampling distribution towards the rare event of interest. By assigning appropriate weights to sampled points, importance sampling allows for more efficient estimation of rare events or tails of distributions. However, importance sampling can fail when the proposal distribution does not effectively cover the target distribution. In this work, we propose a method for more efficient sampling by updating the proposal distribution in the latent space of a normalizing flow. Normalizing flows learn an invertible mapping from a target distribution to a simpler latent distribution. The latent space can be more easily explored during the search for a proposal distribution, and samples from the proposal distribution are recovered in the space of the target distribution via the invertible mapping. We empirically validate our methodology on simulated robotics applications such as autonomous racing and aircraft ground collision avoidance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google