[论文解读] The Optimal Arbitrary-Proportional Finite-Set-Partitioning

Tiancheng Li|arXiv (Cornell University)|Nov 24, 2014

Water Systems and Optimization参考文献 2被引用 23

一句话总结

该论文提出了一种针对有限集合按任意非负比例划分为子集的最优算法，通过最小化由于整数大小约束带来的偏差。通过定义一个衡量期望子集大小与实际子集大小之间差异的代价函数，推导出能最小化期望偏差的整数子集大小，并通过理论证明和模拟验证了该方法在粒子滤波和加权采样等应用中的有效性。

ABSTRACT

This paper considers the arbitrary-proportional finite-set-partitioning problem which involves partitioning a finite set into multiple subsets with respect to arbitrary nonnegative proportions. This is the core art of many fundamental problems such as determining quotas for different individuals of different weights or sampling from a discrete-valued weighted sample set to get a new identically distributed but non-weighted sample set (e.g. the resampling needed in the particle filter). The challenge raises as the size of each subset must be an integer while its unbiased expectation is often not. To solve this problem, a metric (cost function) is defined on their discrepancies and correspondingly a solution is proposed to determine the sizes of each subsets, gaining the minimal bias. Theoretical proof and simulation demonstrations are provided to demonstrate the optimality of the scheme in the sense of the proposed metric.

研究动机与目标

• 为解决在子集大小必须为整数时，将有限集合划分为具有任意非负比例的子集的挑战。
• 最小化将非整数期望子集大小四舍五入为整数所引入的偏差。
• 定义一个度量（代价函数），以量化期望子集大小与实际子集大小之间的差异。
• 推导出能最小化该差异度量的解，从而在最小期望偏差的意义上实现最优划分。
• 通过理论证明和在粒子滤波中重采样等实际应用中的模拟，验证所提出的方法。

提出的方法

• 定义一个代价函数，用于衡量期望比例与实际整数子集大小之间的差异。
• 通过在整数约束下最小化该代价函数，确定最优子集大小。
• 该方法确保每个子集的期望大小在最小二乘意义下尽可能接近其期望比例。
• 利用针对具有任意比例的有限集划分问题量身定制的离散优化技术推导出解。
• 该方法在所定义的度量下被证明是最优的，兼顾了精度与可行性。
• 通过模拟展示该方法在粒子滤波中重采样等实际场景下的性能表现。

实验结果

研究问题

• RQ1 当根据任意非负比例对有限集合进行划分时，如何最优地为子集分配整数大小？
• RQ2 如何在有限集划分中最小化因将非整数期望大小四舍五入为整数而引入的偏差？
• RQ3 在这样的划分问题中，哪种度量最能量化期望与实际子集大小之间的差异？
• RQ4 是否存在一种闭式解或计算高效的解，能在所定义度量下保证最小偏差？
• RQ5 与现有启发式方法相比，该方法在实际应用中的偏差和性能表现如何？

主要发现

• 所提出的方法通过基于定义的代价函数最优分配子集整数大小，实现了最小期望偏差。
• 理论证明确认，所推导出的子集大小在所有可行的整数划分中最小化了差异度量。
• 模拟结果表明，该方法在重采样任务中相对于启发式方法表现出一致的性能提升，特别是在保持样本多样性方面。
• 该方法适用于配额分配和粒子滤波中加权重采样等核心问题。
• 该方法在各种比例分布和集合大小下均表现出鲁棒性，偏差减少稳定。
• 该方法计算效率高，适用于需要精确有限集划分的实时应用。