精选理由
这篇论文让序列估计变得更智能了：它能根据变化大小自动调整计算量，比之前方法节省不少成本，特别适合那种大部分时间稳定、偶尔突变的序列。
该论文提出一个通用框架，用于逐次近似缓慢变化序列中每个元素的函数，其中相邻元素差异幅度α_i较小。此前Dharangutte & Musco在NeurIPS 2021中给出隐式迹估计的代价为O(m·max α_i)，而新框架将代价改进为O(∑α_i)，在序列稳定时效率更高。框架适用于矩阵幂、谱密度、蒙特卡洛积分和偏微分方程边界值问题等线性与非线性函数。此外，算法能够局部化调整估计预算，并可在某些情况下在线估计变化量，几乎不增加额外成本。
AI 翻译 · 中文
该论文提出一个通用框架，用于逐次近似缓慢变化序列中每个元素的函数，其中相邻元素差异幅度α_i较小。此前Dharangutte & Musco在NeurIPS 2021中给出隐式迹估计的代价为O(m·max α_i)，而新框架将代价改进为O(∑α_i)，在序列稳定时效率更高。框架适用于矩阵幂、谱密度、蒙特卡洛积分和偏微分方程边界值问题等线性与非线性函数。此外，算法能够局部化调整估计预算，并可在某些情况下在线估计变化量，几乎不增加额外成本。
We consider the problem of sequentially approximating functions of each element in a slowly-varying sequence, i.e. one where the magnitude $α_i$ of the difference between the elements at positions $i$ and $i-1$ is small.…