你想弄懂什么？

迭代阈值 $\gamma_i$ 定义为从建议分布中抽取的当前样本批次的经验 $(1-p)$-分位数。当这个阈值 $\gamma_i$ 大于或等于目标稀有事件阈值 $\gamma$ 时，循环停止。

适用条件：样本是从当前建议分布中抽取的。；精英比例参数 $p$ 设置为 0.05。；目标阈值是 $\gamma=5$。

迭代阈值 $\gamma_i$ 定义为从建议分布中抽取的当前样本批次的经验 $(1-p)$-分位数。当这个阈值 $\gamma_i$ 大于或等于目标稀有事件阈值 $\gamma$ 时，循环停止。

适用条件：样本是从当前建议分布中抽取的。；精英比例参数 $p$ 设置为 0.05。；目标阈值是 $\gamma=5$。

精英样本按似然比加权，因为它们是从当前建议分布中抽取的，而不是原始目标分布。似然比纠正了这种差异，确保更新后的建议分布参数准确反映了原始分布下的最大似然估计。

适用条件：精英样本是值高于迭代阈值 $\gamma_i$ 的样本。；似然比计算为原始密度除以建议密度。

精英样本按似然比加权，因为它们是从当前建议分布中抽取的，而不是原始目标分布。似然比纠正了这种差异，确保更新后的建议分布参数准确反映了原始分布下的最大似然估计。

适用条件：精英样本是值高于迭代阈值 $\gamma_i$ 的样本。；似然比计算为原始密度除以建议密度。

视频指出，前面的例子“作弊”是因为稀有事件并不是非常稀有，这使得从 $g^*$ 进行直接拒绝采样在计算上是可行的。一般来说，对于真正稀有的事件，直接拒绝采样会花费太长时间，这促使了自适应交叉熵方法的使用。

适用条件：背景是将改进的交叉熵方法与原始的交叉熵方法进行比较。；前面例子中的稀有事件具有相对较高的概率。

视频指出，前面的例子“作弊”是因为稀有事件并不是非常稀有，这使得从 $g^*$ 进行直接拒绝采样在计算上是可行的。一般来说，对于真正稀有的事件，直接拒绝采样会花费太长时间，这促使了自适应交叉熵方法的使用。

适用条件：背景是将改进的交叉熵方法与原始的交叉熵方法进行比较。；前面例子中的稀有事件具有相对较高的概率。