[論文レビュー] Digital Nets and Sequences for Quasi-Monte Carlo Methods

Hee Sun Hong|arXiv (Cornell University)|Jul 27, 2022

Mathematical Approximation and Integration被引用数 6

ひとこと要約

本学位論文は、ランダム化デジタルネットの導入、スクラムブルドネットの不均一性分布の分析、および進化的計算によるデジタルネット品質の最適化を通じて、準モンテカルロ法を発展させた。スクラムブルドネットは誤差推定と性能を向上させることを示しており、特に複雑なテスト関数において、ソボルおよびニーダーレイター＝ジン系列よりも優れた性能を示す。

ABSTRACT

Quasi-Monte Carlo methods are a way of improving the efficiency of Monte Carlo methods. Digital nets and sequences are one of the low discrepancy point sets used in quasi-Monte Carlo methods. This thesis presents the three new results pertaining to digital nets and sequences: implementing randomized digital nets, finding the distribution of the discrepancy of scrambled digital nets, and obtaining better quality of digital nets through evolutionary computation. Finally, applications of scrambled and non-scrambled digital nets are provided.

研究の動機と目的

• ランダム化デジタル $(t,s)$-系列の効率的実装を構築し、準モンテカルロ積分を改善すること。
• スクラムブルドデジタルネットにおける二乗不均一性の統計的分布を分析し、厳密な誤差推定を可能にすること。
• 進化的計算を用いてデジタルネットの $t$-パラメータを最適化し、高次元における均等分布性を向上させること。
• 新しいおよび既存のネットを、ベンチマークとなる多次元積分問題に対して評価すること。
• さまざまなテスト関数に対してスクラムブルドおよび非スクラムブルドネットを比較し、ロバストネスと収束速度を評価すること。

提案手法

• オーウェンのスクラムブルとフォーレ＝テズカのターニングを実装し、生成行列にランダム行列を乗算し、デジタルシフトを適用する。
• 2進数の算術演算とグレイコード生成を用いて、ベース2の系列計算を高速化し、ハードウェア効率を活用して時間計算量を削減する。
• 中心極限定理とロウの理論的枠組みを根拠として、二乗不均一性の経験的分布をカイ二乗分布の混合にフィットさせる。
• 進化的計算を用いて、$t$-パラメータを最小化する最適な生成行列の探索を実施する。
• 複数の投影における $t$-値に基づく目的関数を定義し、適応的環境設定を用いた確率的探索戦略を採用する。
• ラテンハイパーボリュームサンプリングとジェンツのテスト関数スイートを用いて、振動的・ピーク・ガウス型・不連続な被積分関数における性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 ランダム化デジタルネットは、低不均一性を維持しつつ分散推定を可能にするように、どのように効率的に実装できるか？
• RQ2 スクラムブルドデジタルネットにおける二乗不均一性の真の分布は何か？ また、理論的分布でどれほどよくモデル化できるか？
• RQ3 進化的計算は、ソボルやニーダーレイター＝ジン系列といった古典的構成よりも優れた性能を示すデジタルネットの $t$-パラメータを効果的に最適化できるか？
• RQ4 多様な高次元積分問題において、スクラムブルドおよび非スクラムブルドデジタルネットの収束性と精度は、どのように比較できるか？
• RQ5 特に低次元投影における新しいネットの均等分布性は、次元数の増加に伴い、どの程度向上するか？

主な発見

• 特にオーウェンスクラムブルとフォーレ＝テズカターニングの変種であるスクラムブルドデジタルネットは、非スクラムブルドバージョンと比較して、平均二乗不均一性の分散が顕著に小さい。
• スクラムブルドネットにおける二乗不均一性の経験的分布は、カイ二乗分布の混合にうまくフィットし、理論的近似の妥当性を裏付け、統計的誤差推定を可能にする。
• 進化的に最適化されたデジタルネット（EC）は、特に $s = 18$ および $s = 32$ の高次元投影において、ソボルおよびニーダーレイター＝ジン系列よりも低い $t$-パラメータを達成しており、優れた均等分布性を示している。
• 多次元積分において、スクラムブルドECネットおよびスクラムブルドニーダーレイター＝ジンネットは、非スクラムブルドバージョンや他の系列よりも一貫して優れた性能を示し、特に振動的および不連続関数において、最高の桁精度を達成している。
• ニーダーレイター＝ジン系列は低次元では優れた性能を示すが、高次元では性能が低下する。埋め込み用に設計されていない埋め込み型ニーダーレイター＝ジン変種は、その欠如により性能が劣る。
• スクラムブルド系列の生成コストは、非スクラムブルド系列の約2倍であるが、収束性と誤差制御の向上を考慮すると、そのオーバーヘッドは正当化される。