[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_x%E1%BA%A5p%20x%E1%BB%89%20ng%E1%BA%ABu%20nhi%C3%AAn%20robbins%20monro%20polyak%20ruppert%20sai%20s%E1%BB%91%20k%E1%BB%B3%20v%E1%BB%8Dng%20monte%20carlo%20%C4%91a%20c%E1%BA%A5p{\"limit\":5}":3,"_public_topic_byId_x%E1%BA%A5p%20x%E1%BB%89%20ng%E1%BA%ABu%20nhi%C3%AAn%20robbins%20monro%20polyak%20ruppert%20sai%20s%E1%BB%91%20k%E1%BB%B3%20v%E1%BB%8Dng%20monte%20carlo%20%C4%91a%20c%E1%BA%A5p":11},{"code":4,"data":5,"meta":10},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":8,"vietnamLatest":9},[],[],[],[],null,{"code":4,"data":12,"meta":10},{"id":13,"title":14,"description":15,"content":16,"term":13,"englishTitle":17,"synonyms":10,"definition":18,"discipline":19,"references":20,"faqs":42,"createUser":52,"publishUser":56,"keywords":60,"keywordCount":71,"enrichTopicLink":72,"status":73,"createTime":74,"updateTime":75,"publishTime":76,"linkEnrichedTime":77,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":78,"wikidataId":10,"relateTopics":79},"xấp xỉ ngẫu nhiên robbins monro polyak ruppert sai số kỳ vọng monte carlo đa cấp","Xấp xỉ ngẫu nhiên robbins monro polyak ruppert sai số kỳ vọng monte carlo đa cấp là gì? ","Xấp xỉ ngẫu nhiên là tập hợp các phương pháp lặp dùng dữ liệu nhiễu để tìm nghiệm gần đúng của phương trình chứa kỳ vọng không thể quan sát trực tiếp. Các kỹ thuật như Robbins-Monro, Polyak-Ruppert và mô phỏng Monte Carlo giúp giải bài toán này trong điều kiện bất định và chi phí tính toán hạn chế. ","\u003Cp>\u003Cstrong>Xấp xỉ ngẫu nhiên Robbins-Monro và Polyak-Ruppert\u003C\u002Fstrong> (\u003Cem>Stochastic approximation (Robbins-Monro, Polyak-Ruppert) and Multilevel Monte Carlo\u003C\u002Fem>) là lớp thuật toán lặp toán học ngẫu nhiên dùng để tìm không điểm của hàm kỳ vọng hoặc tối ưu hóa tham số khi chỉ tiếp cận được các quan sát chứa nhiễu ngẫu nhiên, kết hợp phương pháp giảm phương sai Monte Carlo đa cấp.\u003C\u002Fp>\n\u003Ch2>Khái niệm xấp xỉ ngẫu nhiên\u003C\u002Fh2>\n\u003Cp>Xấp xỉ ngẫu nhiên (stochastic approximation) là một lớp các thuật toán lặp dùng để tìm nghiệm gần đúng của các phương trình liên quan đến kỳ vọng, trong điều kiện hàm mục tiêu không thể quan sát một cách chính xác mà chỉ có thể ước lượng thông qua các quan sát nhiễu ngẫu nhiên. Đây là công cụ quan trọng trong học máy, thống kê bayes, {{topic|%7B%22topic%22%3A%22%C4%91i%E1%BB%81u%20khi%E1%BB%83n%20t%E1%BB%91i%20%C6%B0u%22%7D}} và mô phỏng {{topic|%7B%22topic%22%3A%22h%E1%BB%87%20th%E1%BB%91ng%20ph%E1%BB%A9c%20t%E1%BA%A1p%22%7D}}.\u003C\u002Fp>\n\u003Cp>Thuật toán cơ bản nhất có dạng lặp như sau:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">x_{n+1} = x_n - \\gamma_n Y_n\u003C\u002Fscript>,\u003C\u002Fp>\n\u003Cp>trong đó \u003Cscript type=\"math\u002Ftex\">\\gamma_n\u003C\u002Fscript> là hệ số bước (step size), \u003Cscript type=\"math\u002Ftex\">Y_n\u003C\u002Fscript> là một ước lượng nhiễu của gradient hoặc sai số tại thời điểm \u003Cscript type=\"math\u002Ftex\">n\u003C\u002Fscript>. Mục tiêu là hội tụ dãy \u003Cscript type=\"math\u002Ftex\">\\{x_n\\}\u003C\u002Fscript> đến nghiệm thực \u003Cscript type=\"math\u002Ftex\">x^*\u003C\u002Fscript> sao cho \u003Cscript type=\"math\u002Ftex\">\\mathbb{E}[Y_n] \\approx \\nabla f(x_n)\u003C\u002Fscript> hoặc \u003Cscript type=\"math\u002Ftex\">\\mathbb{E}[h(x^*, \\xi)] = 0\u003C\u002Fscript>.\u003C\u002Fp>\n\u003Cp>Xấp xỉ ngẫu nhiên được áp dụng trong nhiều ngữ cảnh khác nhau như:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Ước lượng tham số trong {{topic|%7B%22topic%22%3A%22m%C3%B4%20h%C3%ACnh%20th%E1%BB%91ng%20k%C3%AA%22%7D}} khi dữ liệu bị nhiễu\u003C\u002Fli>\n  \u003Cli>Tối ưu hàm mất mát trong học sâu với mini-batch gradient\u003C\u002Fli>\n  \u003Cli>Giải {{topic|%7B%22topic%22%3A%22ph%C6%B0%C6%A1ng%20tr%C3%ACnh%20t%C3%ADch%20ph%C3%A2n%22%7D}} ngẫu nhiên hoặc phương trình kỳ vọng\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Các {{topic|%7B%22topic%22%3A%22ph%C6%B0%C6%A1ng%20ph%C3%A1p%20x%E1%BA%A5p%20x%E1%BB%89%22%7D}} ngẫu nhiên thường yêu cầu thiết lập các điều kiện hội tụ như điều kiện Lipschitz cho gradient, điều kiện Martingale cho nhiễu, và tốc độ giảm dần của \u003Cscript type=\"math\u002Ftex\">\\gamma_n\u003C\u002Fscript> để đảm bảo ổn định và hội tụ.\u003C\u002Fp>\n\n\u003Ch2>Thuật toán Robbins-Monro\u003C\u002Fh2>\n\u003Cp>Thuật toán Robbins-Monro là cơ sở lý thuyết đầu tiên cho lớp bài toán xấp xỉ nghiệm của phương trình kỳ vọng thông qua quan sát nhiễu. Cụ thể, nếu hàm \u003Cscript type=\"math\u002Ftex\">m(\\theta) = \\mathbb{E}[h(\\theta, \\xi)]\u003C\u002Fscript> không thể quan sát trực tiếp, nhưng có thể ước lượng thông qua \u003Cscript type=\"math\u002Ftex\">h(\\theta, \\xi_n)\u003C\u002Fscript> với \u003Cscript type=\"math\u002Ftex\">\\xi_n\u003C\u002Fscript> là các {{topic|%7B%22topic%22%3A%22bi%E1%BA%BFn%20ng%E1%BA%ABu%20nhi%C3%AAn%20%C4%91%E1%BB%99c%20l%E1%BA%ADp%22%7D}}, thì ta tìm nghiệm \u003Cscript type=\"math\u002Ftex\">\\theta^*\u003C\u002Fscript> sao cho:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">m(\\theta^*) = 0\u003C\u002Fscript>.\u003C\u002Fp>\n\u003Cp>Robbins và Monro đề xuất một thuật toán cập nhật lặp đơn giản:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\theta_{n+1} = \\theta_n - \\gamma_n h(\\theta_n, \\xi_n)\u003C\u002Fscript>,\u003C\u002Fp>\n\u003Cp>với chuỗi hệ số \u003Cscript type=\"math\u002Ftex\">\\gamma_n\u003C\u002Fscript> giảm dần theo quy luật \u003Cscript type=\"math\u002Ftex\">\\sum \\gamma_n = \\infty, \\sum \\gamma_n^2 \u003C \\infty\u003C\u002Fscript>. Điều này đảm bảo rằng thuật toán có thể hội tụ đến nghiệm đúng với xác suất tiệm cận bằng 1 dưới các điều kiện phù hợp.\u003C\u002Fp>\n\u003Cp>Thuật toán này có ứng dụng rộng trong nhiều lĩnh vực như:\u003C\u002Fp>\n\u003Col>\n  \u003Cli>Tối ưu hóa ngẫu nhiên (stochastic optimization)\u003C\u002Fli>\n  \u003Cli>Ước lượng tham số MLE trong mô hình nhiễu\u003C\u002Fli>\n  \u003Cli>Giải các {{topic|%7B%22topic%22%3A%22ph%C6%B0%C6%A1ng%20tr%C3%ACnh%20phi%20tuy%E1%BA%BFn%22%7D}} có kỳ vọng\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>Hạn chế chính là phương sai của nghiệm khá lớn khi bước học nhỏ và số vòng lặp hạn chế, do đó thường cần kỹ thuật hiệu chỉnh để tăng độ ổn định và {{topic|%7B%22topic%22%3A%22t%E1%BB%91c%20%C4%91%E1%BB%99%20h%E1%BB%99i%20t%E1%BB%A5%22%7D}}.\u003C\u002Fp>\n\n\u003Ch2>Hiệu chỉnh Polyak-Ruppert\u003C\u002Fh2>\n\u003Cp>Hiệu chỉnh Polyak-Ruppert ra đời để khắc phục nhược điểm phương sai lớn trong Robbins-Monro. Thay vì sử dụng trực tiếp nghiệm cuối \u003Cscript type=\"math\u002Ftex\">\\theta_n\u003C\u002Fscript>, ta lấy trung bình của các bước lặp sau một thời điểm \u003Cscript type=\"math\u002Ftex\">n_0\u003C\u002Fscript>:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\bar{\\theta}_n = \\frac{1}{n - n_0 + 1} \\sum_{k=n_0}^n \\theta_k\u003C\u002Fscript>.\u003C\u002Fp>\n\u003Cp>Cách tiếp cận này dựa trên nguyên lý giảm nhiễu bằng trung bình cộng, cho phép đạt tốc độ hội tụ tốt hơn, đặc biệt khi nhiễu có phương sai không đổi hoặc thay đổi chậm. Trong thực tế, Polyak-Ruppert được sử dụng rộng rãi trong huấn luyện mạng nơ-ron sâu để ổn định quá trình học.\u003C\u002Fp>\n\u003Cp>Bên cạnh đó, khi điều kiện hội tụ như tính đơn điệu mạnh và đạo hàm bị chặn được thỏa mãn, nghiệm trung bình này hội tụ về \u003Cscript type=\"math\u002Ftex\">\\theta^*\u003C\u002Fscript> với tốc độ tối ưu trong chuẩn trung bình bình phương:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\mathbb{E}[\\|\\bar{\\theta}_n - \\theta^*\\|^2] = \\mathcal{O}(1\u002Fn)\u003C\u002Fscript>.\u003C\u002Fp>\n\u003Cp>Bảng so sánh hiệu năng giữa hai phương pháp như sau:\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Tiêu chí\u003C\u002Fth>\n      \u003Cth>Robbins-Monro\u003C\u002Fth>\n      \u003Cth>Polyak-Ruppert\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Tốc độ hội tụ\u003C\u002Ftd>\n      \u003Ctd>\u003Cscript type=\"math\u002Ftex\">\\mathcal{O}(1\u002F\\sqrt{n})\u003C\u002Fscript>\u003C\u002Ftd>\n      \u003Ctd>\u003Cscript type=\"math\u002Ftex\">\\mathcal{O}(1\u002Fn)\u003C\u002Fscript>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Ổn định khi có nhiễu\u003C\u002Ftd>\n      \u003Ctd>Thấp\u003C\u002Ftd>\n      \u003Ctd>Cao\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Dễ triển khai\u003C\u002Ftd>\n      \u003Ctd>Rất dễ\u003C\u002Ftd>\n      \u003Ctd>Dễ (cần lưu trữ thêm)\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Cp>Tham khảo lý thuyết tại SIAM Journal on Control and Optimization.\u003C\u002Fp>\n\n\u003Ch2>Sai số kỳ vọng trong xấp xỉ ngẫu nhiên\u003C\u002Fh2>\n\u003Cp>Sai số kỳ vọng được sử dụng để đo lường khoảng cách trung bình giữa nghiệm xấp xỉ và nghiệm thực. Đối với một thuật toán xấp xỉ \u003Cscript type=\"math\u002Ftex\">\\{\\theta_n\\}\u003C\u002Fscript>, ta thường đánh giá sai số dưới dạng:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\mathbb{E}[\\|\\theta_n - \\theta^*\\|^2]\u003C\u002Fscript>.\u003C\u002Fp>\n\u003Cp>Trong điều kiện gradient bị chặn và điều kiện Lipschitz, sai số kỳ vọng của Robbins-Monro có thể được chứng minh là giảm theo tốc độ \u003Cscript type=\"math\u002Ftex\">\\mathcal{O}(1\u002Fn)\u003C\u002Fscript>. Với phương pháp Polyak-Ruppert, tốc độ này được cải thiện và trở nên gần như tối ưu trong nhiều thiết lập thực tế.\u003C\u002Fp>\n\u003Cp>Khi ảnh hưởng nhiễu tăng cao hoặc dữ liệu có tính dị thường, sai số kỳ vọng tăng và hội tụ chậm hơn. Để kiểm soát sai số, có thể điều chỉnh bước học, hoặc áp dụng các chiến lược như giảm nhiễu (variance reduction), sử dụng minibatch, hoặc thêm điều kiện regularization.\u003C\u002Fp>\n\u003Cp>Dưới đây là {{topic|%7B%22topic%22%3A%22m%E1%BB%99t%20s%E1%BB%91%20y%E1%BA%BFu%20t%E1%BB%91%20%E1%BA%A3nh%20h%C6%B0%E1%BB%9Fng%22%7D}} trực tiếp đến sai số kỳ vọng:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Kích thước bước học \u003Cscript type=\"math\u002Ftex\">\\gamma_n\u003C\u002Fscript>\u003C\u002Fli>\n  \u003Cli>Độ nhiễu và phương sai của dữ liệu \u003Cscript type=\"math\u002Ftex\">\\xi_n\u003C\u002Fscript>\u003C\u002Fli>\n  \u003Cli>Tính chất hội tụ của hàm mục tiêu: đơn điệu, lồi, gradient Lipschitz\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Xem nghiên cứu tổng hợp tại PMLR - Error Bounds in Stochastic Approximation.\u003C\u002Fp>\n\u003Ch2>Giới thiệu mô phỏng Monte Carlo\u003C\u002Fh2>\n\u003Cp>Mô phỏng Monte Carlo là phương pháp tính toán dựa trên việc lấy mẫu ngẫu nhiên từ phân phối xác suất để ước lượng các đại lượng kỳ vọng hoặc tích phân không thể tính chính xác bằng giải tích. Đây là công cụ quan trọng trong nhiều lĩnh vực như tài chính định lượng, vật lý thống kê, học máy và tính toán khoa học.\u003C\u002Fp>\n\u003Cp>Trong bối cảnh xấp xỉ ngẫu nhiên, Monte Carlo thường được dùng để ước lượng kỳ vọng dưới dạng:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\mathbb{E}[f(X)] \\approx \\frac{1}{N} \\sum_{i=1}^N f(X_i)\u003C\u002Fscript>,\u003C\u002Fp>\n\u003Cp>trong đó \u003Cscript type=\"math\u002Ftex\">X_i\u003C\u002Fscript> là các mẫu ngẫu nhiên độc lập theo phân phối của \u003Cscript type=\"math\u002Ftex\">X\u003C\u002Fscript>. Tính chính xác của phương pháp phụ thuộc vào số lượng mẫu \u003Cscript type=\"math\u002Ftex\">N\u003C\u002Fscript>, với sai số trung bình bình phương tỷ lệ nghịch với \u003Cscript type=\"math\u002Ftex\">\\sqrt{N}\u003C\u002Fscript>.\u003C\u002Fp>\n\u003Cp>Phương pháp Monte Carlo chuẩn có những ưu điểm nổi bật:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Không yêu cầu hàm mục tiêu phải khả vi hoặc liên tục\u003C\u002Fli>\n  \u003Cli>Dễ triển khai và mở rộng lên các bài toán không gian nhiều chiều\u003C\u002Fli>\n  \u003Cli>Không phụ thuộc cấu trúc giải tích của hàm\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Tuy nhiên, hạn chế lớn nhất là tốc độ hội tụ chậm \u003Cscript type=\"math\u002Ftex\">\\mathcal{O}(1\u002F\\sqrt{N})\u003C\u002Fscript>, dẫn đến chi phí tính toán cao khi cần độ chính xác lớn.\u003C\u002Fp>\n\n\u003Ch2>Monte Carlo đa cấp (Multilevel Monte Carlo - MLMC)\u003C\u002Fh2>\n\u003Cp>MLMC là cải tiến của phương pháp Monte Carlo nhằm giảm đáng kể chi phí tính toán bằng cách khai thác sự tương quan giữa các mô hình phân giải khác nhau. Ý tưởng chính là tính giá trị kỳ vọng thông qua tổng các hiệu giữa các mức mô phỏng:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\mathbb{E}[P_L] = \\mathbb{E}[P_0] + \\sum_{\\ell=1}^L \\mathbb{E}[P_\\ell - P_{\\ell-1}]\u003C\u002Fscript>,\u003C\u002Fp>\n\u003Cp>trong đó \u003Cscript type=\"math\u002Ftex\">P_\\ell\u003C\u002Fscript> là mô phỏng tại mức phân giải \u003Cscript type=\"math\u002Ftex\">\\ell\u003C\u002Fscript>. Mỗi hiệu \u003Cscript type=\"math\u002Ftex\">P_\\ell - P_{\\ell-1}\u003C\u002Fscript> có phương sai thấp hơn \u003Cscript type=\"math\u002Ftex\">P_\\ell\u003C\u002Fscript> nên chỉ cần ít mẫu hơn để đạt cùng độ chính xác.\u003C\u002Fp>\n\u003Cp>MLMC đã chứng minh hiệu quả trong các bài toán như định giá quyền chọn tài chính, mô phỏng {{topic|%7B%22topic%22%3A%22ph%C6%B0%C6%A1ng%20tr%C3%ACnh%20vi%20ph%C3%A2n%20ng%E1%BA%ABu%20nhi%C3%AAn%22%7D}} (SDEs), và ước lượng Bayesian trong không gian tham số lớn.\u003C\u002Fp>\n\u003Cp>Lợi ích cụ thể của MLMC:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Giảm tổng chi phí tính toán để đạt sai số \u003Cscript type=\"math\u002Ftex\">\\epsilon\u003C\u002Fscript> từ \u003Cscript type=\"math\u002Ftex\">\\mathcal{O}(\\epsilon^{-3})\u003C\u002Fscript> xuống \u003Cscript type=\"math\u002Ftex\">\\mathcal{O}(\\epsilon^{-2})\u003C\u002Fscript>\u003C\u002Fli>\n  \u003Cli>Cho phép khai thác các mô hình rút gọn chi phí thấp để hỗ trợ mô hình chính xác cao\u003C\u002Fli>\n  \u003Cli>Dễ tích hợp vào các thuật toán xấp xỉ ngẫu nhiên để giảm nhiễu\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Xem chi tiết tại SIAM Journal - Multilevel Monte Carlo.\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng trong học sâu và tối ưu hóa\u003C\u002Fh2>\n\u003Cp>Các kỹ thuật xấp xỉ ngẫu nhiên đóng vai trò trung tâm trong huấn luyện mô hình học sâu. Stochastic Gradient Descent (SGD), vốn là một dạng đơn giản của Robbins-Monro, là thuật toán chính trong tối ưu hóa hàm mất mát của mạng nơ-ron. Với mỗi vòng lặp, SGD chỉ sử dụng một phần dữ liệu (mini-batch) để ước lượng gradient, tức là một dạng mô phỏng Monte Carlo của đạo hàm kỳ vọng.\u003C\u002Fp>\n\u003Cp>Hiệu quả của SGD phụ thuộc vào mức nhiễu trong ước lượng gradient. Các biến thể như Momentum, RMSProp, Adam được thiết kế để điều chỉnh tốc độ hội tụ và giảm nhiễu qua việc lưu trữ trung bình động của gradient và phương sai. Những kỹ thuật này về bản chất đều mang tính chất xấp xỉ ngẫu nhiên có điều chỉnh.\u003C\u002Fp>\n\u003Cp>Sai số kỳ vọng trong SGD giảm theo tốc độ \u003Cscript type=\"math\u002Ftex\">\\mathcal{O}(1\u002F\\sqrt{n})\u003C\u002Fscript> với số vòng lặp \u003Cscript type=\"math\u002Ftex\">n\u003C\u002Fscript>, trừ khi có thêm các giả định về tính lồi mạnh. Khi kết hợp với Polyak-Ruppert hoặc MLMC, tốc độ này có thể cải thiện đáng kể.\u003C\u002Fp>\n\u003Cp>Trong học sâu hiện đại, các ứng dụng của xấp xỉ ngẫu nhiên bao gồm:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Tối ưu hóa tham số mạng học sâu với dữ liệu lớn\u003C\u002Fli>\n  \u003Cli>Ước lượng posterior trong mô hình học Bayes\u003C\u002Fli>\n  \u003Cli>Giảm nhiễu trong huấn luyện mô hình sinh như GANs hoặc VAEs\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Tài liệu tổng quan hữu ích: Optimization for Deep Learning - arXiv.\u003C\u002Fp>\n\n\u003Ch2>So sánh và kết nối giữa các phương pháp\u003C\u002Fh2>\n\u003Cp>Các phương pháp xấp xỉ ngẫu nhiên, từ Robbins-Monro đến MLMC, đều phục vụ mục tiêu chung: tìm nghiệm xấp xỉ cho các bài toán có nhiễu. Tuy nhiên, chúng có cơ chế khác nhau, từ cách lấy mẫu, cập nhật thông tin đến chiến lược giảm sai số.\u003C\u002Fp>\n\u003Cp>Bảng sau tóm tắt một số điểm nổi bật để so sánh:\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Phương pháp\u003C\u002Fth>\n      \u003Cth>Chiến lược chính\u003C\u002Fth>\n      \u003Cth>Tốc độ hội tụ\u003C\u002Fth>\n      \u003Cth>Chi phí tính toán\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Robbins-Monro\u003C\u002Ftd>\n      \u003Ctd>Gradient ngẫu nhiên với bước giảm\u003C\u002Ftd>\n      \u003Ctd>\u003Cscript type=\"math\u002Ftex\">\\mathcal{O}(1\u002F\\sqrt{n})\u003C\u002Fscript>\u003C\u002Ftd>\n      \u003Ctd>Thấp\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Polyak-Ruppert\u003C\u002Ftd>\n      \u003Ctd>Lấy trung bình nghiệm\u003C\u002Ftd>\n      \u003Ctd>\u003Cscript type=\"math\u002Ftex\">\\mathcal{O}(1\u002Fn)\u003C\u002Fscript>\u003C\u002Ftd>\n      \u003Ctd>Trung bình\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Monte Carlo\u003C\u002Ftd>\n      \u003Ctd>Lấy mẫu độc lập\u003C\u002Ftd>\n      \u003Ctd>\u003Cscript type=\"math\u002Ftex\">\\mathcal{O}(1\u002F\\sqrt{N})\u003C\u002Fscript>\u003C\u002Ftd>\n      \u003Ctd>Cao\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Monte Carlo đa cấp\u003C\u002Ftd>\n      \u003Ctd>Ước lượng sai số phân tầng\u003C\u002Ftd>\n      \u003Ctd>Gần \u003Cscript type=\"math\u002Ftex\">\\mathcal{O}(1\u002FN)\u003C\u002Fscript>\u003C\u002Ftd>\n      \u003Ctd>Thấp đến trung bình\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Cp>Sự kết hợp giữa các phương pháp này mang lại giải pháp linh hoạt và hiệu quả cho các bài toán xấp xỉ ngẫu nhiên trong thực tế, đặc biệt là khi dữ liệu lớn, mô hình phức tạp hoặc nguồn lực hạn chế.\u003C\u002Fp>","Stochastic approximation (Robbins-Monro, Polyak-Ruppert) and Multilevel Monte Carlo","lớp thuật toán lặp toán học ngẫu nhiên dùng để tìm không điểm của hàm kỳ vọng hoặc tối ưu hóa tham số khi chỉ tiếp cận được các quan sát chứa nhiễu ngẫu nhiên, kết hợp phương pháp giảm phương sai Monte Carlo đa cấp.","NATURAL_SCIENCES",[21,28,35],{"citationText":22,"title":23,"authors":24,"source":25,"year":26,"doi":27,"url":10},"Dereich, Müller-Gronbach (2019). General multilevel adaptations for stochastic approximation algorithms of Robbins–Monro and Polyak–Ruppert type. Numerische Mathematik.","General multilevel adaptations for stochastic approximation algorithms of Robbins–Monro and Polyak–Ruppert type","Dereich, Müller-Gronbach","Numerische Mathematik",2019,"10.1007\u002Fs00211-019-01024-y",{"citationText":29,"title":30,"authors":31,"source":32,"year":33,"doi":34,"url":10},"Robbins, Monro (1985). A Stochastic Approximation Method. Herbert Robbins Selected Papers.","A Stochastic Approximation Method","Robbins, Monro","Herbert Robbins Selected Papers",1985,"10.1007\u002F978-1-4612-5110-1_9",{"citationText":36,"title":37,"authors":38,"source":39,"year":40,"doi":41,"url":10},"Dupač (1979). Asymptotic Normality of the Continuous Robbins-Monro Stochastic Approximation Procedure. Contributions to Statistics.","Asymptotic Normality of the Continuous Robbins-Monro Stochastic Approximation Procedure","Dupač","Contributions to Statistics",1979,"10.1007\u002F978-94-009-9362-4_8",[43,46,49],{"question":44,"answer":45},"Thuật toán xấp xỉ ngẫu nhiên Robbins-Monro hoạt động theo nguyên lý cơ bản nào?","Thuật toán cập nhật tham số ước lượng theo công thức đệ quy x_{n+1} = x_n - a_n Y_n, trong đó Y_n là quan sát chứa nhiễu tại x_n và chuỗi bước nhảy a_n thỏa mãn điều kiện Robbins-Monro: tổng chuỗi vô hạn nhưng tổng bình phương hữu hạn, đảm bảo hội tụ hầu chắc chắn đến nghiệm kỳ vọng.",{"question":47,"answer":48},"Kỹ thuật lấy trung bình Polyak-Ruppert mang lại lợi thế gì cho thuật toán xấp xỉ ngẫu nhiên?","Kỹ thuật này sử dụng bước nhảy lớn hơn (giảm chậm hơn) và tính trung bình số học của toàn bộ quỹ đạo lặp, giúp đạt tốc độ hội tụ tiệm cận tối ưu với ma trận hiệp phương sai nhỏ nhất mà không cần tinh chỉnh nhạy cảm tham số bước nhảy ban đầu.",{"question":50,"answer":51},"Phương pháp Monte Carlo đa cấp (MLMC) phối hợp với xấp xỉ ngẫu nhiên như thế nào để giảm chi phí tính toán?","MLMC phân rã kỳ vọng mục tiêu thành tổng các hiệu số kỳ vọng trên một chuỗi các mức độ thô-mịn hình học của lưới rời rạc hóa, giúp dồn phần lớn mẫu tính toán vào các mức thô rẻ tiền và chỉ tính số ít mẫu hiệu chỉnh ở mức mịn đắt tiền, giảm tổng độ phức tạp tính toán từ O(epsilon^{-3}) xuống O(epsilon^{-2}).",{"id":53,"researcherId":10,"name":54,"imageUrl":55},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":57,"researcherId":10,"name":58,"imageUrl":59},2889,"Lê Xuân Niên","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLuyWIkhyP2W5E59cKwN7ciI2nbjMGUpXO9rVQquC826ujzkqhU=s96-c",[61,62,63,64,65,66,67,68,69,70],"điều khiển tối ưu","hệ thống phức tạp","mô hình thống kê","phương trình tích phân","phương pháp xấp xỉ","biến ngẫu nhiên độc lập","phương trình phi tuyến","tốc độ hội tụ","một số yếu tố ảnh hưởng","phương trình vi phân ngẫu nhiên",10,true,"PUBLISHED","2025-09-19T02:00:42.695+00:00","2026-09-14T09:10:48.766+00:00","2025-09-26T18:00:06.658+00:00","2026-09-14T09:10:48.387+00:00",144,[80,83,86,89,92,95,98,101,104,107],{"id":81,"title":82,"term":81,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"năng lực mô hình hóa toán học","Năng lực mô hình hóa toán học là gì? Các nghiên cứu khoa học",{"id":84,"title":85,"term":84,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"học thuật","Học thuật là gì? Các nghiên cứu khoa học về Học thuật",{"id":87,"title":88,"term":87,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"arima","Arima là gì? Các công bố khoa học về Arima",{"id":90,"title":91,"term":90,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"khảo nghiệm","Khảo nghiệm là gì? Các công bố khoa học về Khảo nghiệm",{"id":93,"title":94,"term":93,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"simulation","Simulation là gì? Các nghiên cứu khoa học về mô phỏng",{"id":96,"title":97,"term":96,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"lqr tự chỉnh","LQR tự chỉnh là gì? Các công bố khoa học về LQR tự chỉnh",{"id":99,"title":100,"term":99,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"phương pháp mô hình hóa","Phương pháp mô hình hóa là gì? Các công bố khoa học",{"id":102,"title":103,"term":102,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"trào lưu công suất","Trào lưu công suất là gì? Các công bố khoa học về Trào lưu công suất",{"id":105,"title":106,"term":105,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"hệ thống phi tuyến","Hệ thống phi tuyến là gì? Các nghiên cứu khoa học liên quan",{"id":108,"title":109,"term":108,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"sf 36","SF-36 là gì? Các công bố nghiên cứu khoa học về SF-36"]