蓄水池采样问题
Posted wmx24
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了蓄水池采样问题相关的知识,希望对你有一定的参考价值。
问题描述
要求从N个元素中随机的抽取k个元素,其中N无法确定。例如:
- 从 100000 份调查报告中抽取 1000 份进行统计。
- 从一本很厚的电话簿中抽取 1000 人进行姓氏统计。
- 从 Google 搜索 "Ken Thompson",从中抽取 100 个结果查看哪些是今年的。
这种应用的场景一般是数据流的情况下,由于数据只能被读取一次,而且数据量很大,并不能全部保存,因此数据量N是无法在抽样开始时确定的;但又要保持随机性,于是有了这个问题。
算法思想
假设数据序列的规模为 n,需要采样的数量的为 k。
首先构建一个可容纳 k 个元素的数组,将序列的前 k 个元素放入数组中。
然后从第 k+1 个元素开始,以 k/n 的概率来决定该元素是否被替换到数组中(数组中的元素被替换的概率是相同的)。 当遍历完所有元素之后,数组中剩下的元素即为所需采取的样本。
算法证明
对于第 i个数(i≤k)。在 k步之前,被选中的概率为 1。当走到第 k+1 步时,被 k+1个元素替换的概率 = k+1 个元素被选中的概率 * i 被选中替换的概率,即为 。则被保留的概率为 。依次类推,不被 k+2。则运行到第 n 步时,被保留的概率 = 被选中的概率 * 不被替换的概率,即: 个元素替换的概率为
对于第 j 个数(j>k)。在第 j 步被选中的概率为 k/j。不被 j+1 个元素替换的概率为 。则运行到第 n 步时,被保留的概率 = 被选中的概率 * 不被替换的概率,即:
所以对于其中每个元素,被保留的概率都为 k/n. 蓄水池算法适用于对一个不清楚规模的数据集进行采样。
以上是关于蓄水池采样问题的主要内容,如果未能解决你的问题,请参考以下文章
论文阅读2020:ReSTIR(Spatiotemporal reservoir resampling for real-time ray tracing with dynamic direct li