Resumo Misturas de densidades de probabilidade são amplamente utilizadas em estatística e aprendizado de máquina. Enquanto misturas clássicas restringem os pesos a serem não negativos, permitir pesos negativos possibilita uma aproximação de densidade mais flexível. No entanto, pesos negativos introduzem desafios na manipulação e amostragem dessas distribuições. Para esse propósito, propomos métodos de Monte Carlo (MC) eficientes (incluindo quadraturas MC, amostragem por rejeição e esquemas de amostragem por importância) para calcular integrais e gerar amostras dessas misturas. Uma densidade de proposta adaptada garante a geração precisa e eficiente de amostras (não ponderadas). Aplicações na estimativa de densidade baseada em processos Gaussianos demonstram a relevância prática e eficiência dos esquemas propostos.
Luca Martino (Sex,) estudou esta questão.