如何高效对两个已零膨胀的概率分布执行卷积操作？

核心思路：拆解零膨胀分布的概率结构 #

零膨胀分布本质是点质量（零损失）和非零损失分布的混合，不需要直接在离散样本中填充大量零，而是通过概率分解拆分卷积场景，只对非零部分做必要的卷积计算。

假设：

• 事件X：不发生概率为 $p_x$，发生时的损失分布为 $X^+$（均匀间隔离散样本，权重序列为 $W_x$，对应取值 $V_x$）
• 事件Y：不发生概率为 $p_y$，发生时的损失分布为 $Y^+$（均匀间隔离散样本，权重序列为 $W_y$，对应取值 $V_y$）

X+Y的总损失分布可拆分为4种互斥场景，分别计算后合并：

1. X、Y都不发生：损失为0，概率为 $p_x \times p_y$
2. X不发生，Y发生：损失等于 $Y^+$ 的取值，每个权重乘以 $p_x \times (1-p_y)$
3. X发生，Y不发生：损失等于 $X^+$ 的取值，每个权重乘以 $(1-p_x) \times p_y$
4. X、Y都发生：损失为 $X^+ + Y^+$，这部分才需要对 $W_x$ 和 $W_y$ 做卷积，卷积结果的每个权重再乘以 $(1-p_x) \times (1-p_y)$

具体实现步骤 #

1. 预处理非零样本

   • 确保 $X^+$ 和 $Y^+$ 的离散样本步长完全一致（若不一致，用线性插值对齐），记录步长 $h$
   • 确认 $W_x$ 和 $W_y$ 已归一化（即权重和为1，代表发生时的概率分布）

2. 分别计算各场景的分布贡献

   • 零损失概率：直接计算 $p_0 = p_x * p_y$
   • 仅Y发生的分布：复制 $Y^+$ 的取值序列，权重序列更新为 $W_y \times p_x \times (1-p_y)$
   • 仅X发生的分布：复制 $X^+$ 的取值序列，权重序列更新为 $W_x \times (1-p_x) \times p_y$
   • 都发生的分布：对 $W_x$ 和 $W_y$ 做卷积（优先用FFT加速，时间复杂度O(N log N)），卷积后的取值序列为 $V_x + V_y$（步长仍为 $h$），权重序列更新为 $conv(W_x, W_y) \times (1-p_x) \times (1-p_y)$

3. 合并所有非零分布

   • 将仅X、仅Y、都发生的三个分布按取值对齐，相同取值的权重相加
   • 最终总分布为：零损失概率 $p_0$ + 合并后的非零分布

多事件扩展方案 #

当需要合并多个零膨胀分布（如k个事件）时，采用迭代合并策略，每次维护当前总分布的两个核心参数：

• 当前总零概率 $p_{total}$
• 当前总非零损失的离散样本（取值 $V_{total}$、权重 $W_{total}$）

合并下一个事件Z（零概率 $p_z$，非零分布 $Z^+$）时：

1. 新的总零概率：$p_{new} = p_{total} \times p_z$
2. 新的非零分布由三部分组成：
   • 原非零分布，权重乘以 $p_z$（原发生，Z不发生）
   • $Z^+$ 的分布，权重乘以 $(1-p_{total})$（原不发生，Z发生）
   • 原非零分布与 $Z^+$ 的卷积，权重乘以 $(1-p_{total}) \times (1-p_z)$（都发生）
3. 合并这三部分非零分布，更新为新的 $V_{total}$ 和 $W_{total}$

这种方式避免了每次合并都处理全零扩展的长序列，仅在必要时做非零部分的卷积，可高效扩展到大量事件场景。

关键优化点 #

• FFT加速卷积：对于较长的非零样本序列，用FFT替代直接卷积，大幅降低计算时间
• 步长对齐：确保所有非零样本步长一致，避免插值引入的额外误差
• 权重截断：若某些非零权重极小（远小于精度阈值），可直接截断，减少计算量（需权衡精度与效率）

内容的提问来源于stack exchange，提问作者Vermin