本文讨论了在复杂数据环境中估计高维参数的难题，提出了自适应重要性抽样和分层抽样等方法，以提高估计的可靠性和效率。研究显示，这些方法在特定条件下效果显著，推动了统计估计的发展。

本文介绍了一种新颖的准蒙特卡罗机制——排斥随机游走，通过引入相关性在交互集合的轨迹之间，提高图形探索的效率和统计估计的集中度。实验证明了该机制在图核估计、PageRank向量和图结构浓度等方面的有效性。排斥随机游走是第一个对图中行者方向进行严格研究的准蒙特卡罗方案，为该领域带来了新的研究。

给定一个大小为N的样本，需要选择一个更小的子样本n<N进行统计估计或学习。数据选择可以非常有效，甚至可以击败在整个样本上进行训练。某些常见的数据选择方法可能不够优化。