.png){kind=icon}
返回
Efficient Rare-Event Simulation for Random Geometric Graphs via Importance Sampling
.png){kind=icon}
OA
AI
DOI：10.1007/s11009-026-10273-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
欧几里得子空间上定义的随机几何图（也称为Gilbert图）被广泛应用于模拟各种领域的空间嵌入网络。在这种图中，节点随机分布在欧几里得空间中，且当两个节点之间的距离在某一阈值内时，它们之间就存在一条边。准确估计这些图中关键属性相关的稀有事件概率（如边的数量和最大连通分量的大小）对于评估与灾难性事件相关的风险等具有重要意义。然而，这项任务在计算上具有挑战性，尤其是对于大型网络。重要性抽样提供了一种可行的解决方案，通过将计算资源集中在图的显著区域。本文探讨了重要性抽样方法在估计稀有事件概率中的应用，强调了其在减少方差和提升精度方面的优势。通过渐近分析和数值研究，我们证明了所提出方法的有效性，为Gilbert图的分析提供了改进，并展示了重要性抽样在复杂网络分析中的更广泛应用。
Keyword:
Gilbert graph
Spatial point process
Unbiased estimation
Hard-spheres model
Edge count
Maximum degree
期刊
M
IF:
1
论文数:
78
被引数:
0
机构
引用论文
.png){kind=icon}
Correction to: Large deviations of the giant in supercritical kernel-based spatial random graphs修正：超临界核基空间随机图中巨数的渐进行为
PREAI
分享收藏分享收藏分享收藏分享收藏
查看更多内容