直接采样、拒绝采样与重要性采样

【摘要】蒙特卡洛（Monte Carlo method）是一种以概率统计理论为指导的重要数值计算方法。它使用随机数来解决随机变量（或随机函数）的期望值积分求解、仿真模拟等非常棘手的计算问题，特别适用于无解析形式的复杂概率分布。根据对蒙特卡洛方法的理解，会发现其中最为核心的部分是如何在给定一个复杂分布时，按照概率随机、高效地获得样本，即采样方法问题。本文将介绍其中最为基础和直觉的几种早期方法，分别是基于 CDF 的直接采样、拒绝采样和重要性采样。

1 直接采样

直接采样的思想是：计算机适合于随机的均匀采样，如果能够把任意概率分布的采样转化成对均匀分布的采样，就可以解决采样问题。

假设 $y$ 服从某项分布 $p(y)$ ，其累积分布函数（ CDF ）为 $h(y)$ ，现有均匀分布的样本 $z \sim \operatorname{Uniform}(0,1)$ ，令 $z = h(y)$ ，即 $y = h^{-1}(z)$ ，结果 $y$ 即为对分布 $p(y)$ 的采样。

图 1：直接采样算法流程

举个例子：

图 2：直接采样示例

直接采样要求分布的累积分布函数 $h(x)$ 及其拟函数存在解析解，因此只适用于形式已知、具有解析形式的概率分布，对于形态复杂的概率密度函数（或概率质量函数）无能为力。

2 接受-拒绝采样

接受-拒绝采样的思想是：对于形态比较复杂的分布 $p(z)$ ，很难进行直接采样时，可以考虑构建一个形式更为简单的、能够进行直接采样的新分布 $q(z)$ ，然后通过对 $q(z)$ 的采样结果进行筛选，来获得 $p(z)$ 的样本。那么我们怎么可以通过 $q(z)$ 采样得到 $p(z)$ 的样本呢？

先看下图：

图 3：接收-拒绝采样原理示意图

红色的复杂分布是 $p(z)$ ，蓝色的简单分布是 $q(z)$ ，我们对 $q(z)$ 乘一个参数 $k$ ，使得 $kq(z)$ 正好能包住 $p(z)$ ，那么对于每一个采用直接方法从 $q(z)$ 得到的样本 $z_0$ ，我们采用一定的概率去接受它，概率大小为 $p(z_0) / kq(z_0)$ 。很容易就能看出来，在 $p(z)$ 和 $kq(z)$ 相切的地方采样，接受概率为 $1$ 。可能有人会问，接受概率是统计结果，虽然有理论设计，但对于某个具体的样本 $z_0$ ，该如何判断接受还是拒绝呢？我们有 $u \sim Uniform\left[0,1\right]$ ，对于样本 $z_0$ ，我们抽取一个样本 $u_0$ ，如果 $u_0 \leq p(z_0) / kq(z_0)$ 就接受，否则拒绝。重复此过程，得到的样本就服从分布 $p(z)$ 。

图 4：接受-拒绝采样算法流程

当然， $q(z)$ 的选取要有一定规则：一是 $q(z)$ 与 $p(z)$ 的外形要相近，二是 $q(z)$ 采样比较容易。

现在有一个问题， $k$ 怎么求？

其实也很简单，看图有 $kq(z) \geq p(z)$ ，那么 $k \geq p(z) / q(z)$ ，我们只需要求 $p(z) / q(z)$ 的最大值，即可以确定 $k$ 。

我们以截断正态分布的接受-拒绝采样为例来加以说明。截断正态分布的意思就是对于正态分布 $N(a, b)$ ， $x$ 属于 $\left[0, 4\right]$ ，其在 $\left[0, 4\right]$ 上的积分为 $1$ ，而不是在负无穷到正无穷上的积分为 $1$ 。截断正态分布不是正态分布。维基上对截断正态分布给出了如下定义：

图 5：截断正态分布的维基百科定义

截断正态分布定义式中的分子中， $\phi$ 是标准正态分布的概率密度函数，分母中的 $\Phi$ 是标准正态分布的累积分布函数。我们有 $p(z)$ 服从 $N(1, 1)$ ， $(0 <= x <= 4)$ ，令 $q(z)~U\left[0, 4\right]$ ，根据上图公式， $p(z)$ 就有了， $q(z) = 1/4$ ，所以 $k = max(p(z) / q(z))$ ，在 $z = 1$ （均值）的时候 $p(z) / q(z)$ 取最大，所以得到 $k$ ：

这个例子比较巧，分母没有 $z$ ，我们可以直接判断在 $z=1$ 时， $p(z)/q(z)$ 取最大，如果 $p(z)$ , $q(z)$ 都有 $z$ ，那么就需要通过求导方式求 $k$ 了。

3 重要性采样

重要性采样与 “接受-拒绝采样” 有异曲同工之妙。接受-拒绝采样时，通过接受/拒绝的方式对通过 $q(z)$ 得到的样本进行筛选，使得最后得到的样本服从分布 $p(z)$ ，所有接受的样本没有高低贵贱之分，一视同仁。而重要性采样的思想是：对于通过 $q(z)$ 得到的样本，我全部接受！全部接受的话会有一个问题：最后样本点的分布不服从 $p(z)$ 分布。为了矫正此偏差，我们给每个样本赋予一个重要性权重，例如，对于 $p(z_0)/q(z_0)=1$ 的样本，权重大一点， $p(z_0)/q(z_0)=0.1$ 的样本，权重小一点。但是这个权重怎么算呢？其实， $p(z0)/q(z0)$ 就是一个很好的权重标识。

重要性采样取得到的是带有重要性权重的、服从 $q(z)$ 分布的样本，这个权重乘以样本之后的结果其实就是服从 $p(z)$ 分布的。对于这种特殊的样本，我们怎么用呢？通常我们基于分布来求均值等积分量。

图 6：重要性采样的使用

应当注意的是，图中 $p(z)$ 与 $f(z)$ 的关系， $p(z)$ 是一种分布，是相对于 $z$ 轴的采样点而言的，比如在红色的两个峰值处， $z$ 的取点比较多，在其他地方 $z$ 的取点就比较少，这叫样本分布服从 $p(z)$ 。而 $f(z)$ 通常是我们希望得到期望值的某种映射，将 $z$ 值映射到其他维度。比如我们熟悉的 $y = f(x)$ ，将 $x$ 映射到 $y$ ，我们期望的到 $y$ 的期望（即 $f(x)$ 的均值）。