Rejection Sampling از یک پیشنهادِ مستقل شروع می‌کند و آن را با احتمالِ مبتنی بر یک سقفِ معتبر می‌پذیرد یا رد می‌کند. بریدنِ احتمالِ بیشتر از یک، سقفِ نامعتبر را اصلاح نمی‌کند. این تمرین تمامِ حالت‌های یک نمونهٔ متناهی را می‌شمارد و توزیعِ پذیرفته‌ها را مستقل با هدف برابر می‌خواهد.
هدف، پیشنهاد و سقف را مشخص کنیم
سه حالت با احتمالِ هدفِ[۱/۲،۱/۳،۱/۶]داریم. پیشنهاد q برای هر حالت۱/۳است. سقفِ M=۳/۲برای تمامِ حالت‌ها شرطِ p[i]≤M×q[i]را رعایت می‌کند. احتمالِ پذیرشِ پیشنهادِ i برابرِ p[i]/(M×q[i])است؛ اینجا۱،۲/۳و۱/۳می‌شود.
در نمونهٔ آموزشی، سکهٔ پذیرش شش مقدارِ هم‌احتمالِ میانیِ ۱/۱۲،۳/۱۲تا۱۱/۱۲دارد. این شبکهٔ محدود را آشکار انتخاب کرده‌ایم؛ پذیرش وقتی u حداکثرِ آستانه باشد رخ می‌دهد. قانونِ هدف فقط در قراردادهایی که شبکه آستانه‌ها را دقیق پوشش دهد با این سکهٔ گسسته برابر می‌شود، نه برای هر احتمالِ دلخواه.
تمامِ ۱۸حالت را بشماریم
سه پیشنهاد در شش سکه۱۸حالتِ هم‌احتمال می‌سازند. برای حالت‌های اول،دوم و سوم به‌ترتیب۶،۴و۲پذیرش داریم؛ مجموع۱۲است. احتمالِ پذیرش۲/۳و احتمالِ شرطیِ حالت‌ها پس از پذیرش۶/۱۲،۴/۱۲و۲/۱۲است، دقیقاً همان هدف.
دفترِ JSON پیشنهاد،u،آستانه،جرمِ مشترک و تصمیمِ تک‌تک۱۸حالت را نگه می‌دارد. این شمارش، میانگینِ یک اجرای تصادفی نیست. تساویِ توزیعِ شرطی از تمامِ جهانِ محدود به دست آمده است؛ ادعایِ استقلالِ آماریِ مولد از چند seed نمی‌سازیم.
سقفِ شل‌تر، همان هدف با پذیرشِ کمتر
با M=۲آستانه‌ها۳/۴،۱/۲و۱/۴می‌شوند. برای نمایشِ دقیقِ همین مرزها، شبکهٔ۱۲سکه‌ایِ مستقل می‌گیریم. احتمالِ پذیرش۱/۲می‌شود ولی توزیعِ شرطی هنوز[۱/۲،۱/۳،۱/۶]است؛ تعدادِ سکهٔ شبکه و خودِ سقف در گزارش جدا مشخص‌اند.
این مقایسه زمان‌سنجی یا نسبتِ سرعتِ کتابخانه نیست. در روشِ پیوسته، یکنواختِ مستقل روی بازه به کار می‌رود؛ فایلِ ما برای کنترلِ کاملِ قانون، اقتباسِ گسستهٔ صریح دارد. تعمیمِ شاهدِ شبکه به همهٔ توزیع‌ها بدونِ این توضیح درست نیست.
سقفِ غلط را با clip پنهان نکنیم
اگر M=۱بگذاریم، آستانهٔ حالتِ اول۳/۲می‌شود و شرطِ سقف نقض می‌شود. نسخهٔ غلط آن را به۱می‌بُرد. روی همان شش سکه، شمارشِ پذیرش۶،۶و۳می‌شود و توزیعِ شرطی۲/۵،۲/۵و۱/۵است؛ هدفِ اولیه نیست.
تابعِ معتبر Mنامناسب را پیش از نمونه‌گیری رد می‌کند. تبدیلِ خطایِ قرارداد به یک عددِ ظاهراً مجاز، معنایِ روش را عوض کرده است. حمایتِ پیشنهاد نیز باید تمامِ جرمِ مثبتِ هدف را پوشش دهد؛ نبودِ پیشنهاد برای حالتِ لازم با تلاشِ بیشتر حل نمی‌شود.
نمونه‌گیرِ محدود و پایانِ بدون پذیرش
کدِ نمونه‌گیر با Random محلی،پیشنهادِ یکنواخت و سکهٔ شبکه‌ای، تا۱۶تلاش دارد و اولینِ پذیرفته‌شده را برمی‌گرداند. چهار seedواقعاً اجرا و بازتولید شده‌اند. یک اجرایِ بودجهٔ یک‌تلاشهٔ بدون پذیرش نیز با وضعیتِ budget_exhausted ثبت می‌شود، نه «حالتِ ناممکن» یا مقدارِ صفرِ هدف.
هفت ورودیِ نامعتبر، از سقفِ کم و جرمِ غیرنرمال تا احتمالِ بولین یا نامتناهی،پیشنهادِ صفر و بودجهٔ صفر، رد می‌شوند. Reservoir زیرمجموعهٔ جریان و وضعیتِ تصادفی بازتولید را بررسی می‌کنند. ادامه در آموزش هوش مصنوعی؛ مدل،RLHF،APIیا سازوکارِ اپرا اجرا نشده است.
فایل تمرین و منبع
کد کاملِ تمرینِ مستقل و کنترل‌ها؛ Python · ورودی و تمامِ خروجیِ اجرای واقعی؛ JSON
- کتاب اصلی PBRTویرایش۴،۲۰۲۳؛ متنِ مرتبطِ پیشنهاد و سقف و پذیرش خوانده شد،فرمول‌های حذف‌شدهٔ استخراج ادعای مشاهده ندارند
- کتاب اصلی Computational Statistics with R؛ بخش۶٫۱،حمایتِ پیشنهاد و قانونِ شرطیِ پذیرش و استقلال خوانده شد؛ Rیا کتابخانه اجرا نشده و مثالِ شبکه‌ای اصیل است
منابع در 2026-11-04 خوانده شدند؛ این تاریخ، تاریخ انتشار منبع نیست. مثال‌ها و فایل‌های این راهنما آموزشی و ساختهٔ تحریریه‌اند.