我的输入空间至少是 10 维的（通过 PCA 等各种成分分析对其进行缩减后），输出空间是 4 维的。我正在构建一个类似于函数逼近器的神经网络，它将上述 10D 数据作为输入（输入中的 10 个神经元）并吐出 4D 数据作为输出（输出中的 4 个神经元）。中间有隐藏层。

我需要建立一个好的训练集，涵盖所有可能的输入和输出值。虽然看起来 10D 输入 + 4D 输出的组合可能非常大，但实际上，输入/输出受到现实世界的约束。我面临的问题是：在训练集中的某些部分，我需要以更高的分辨率对数据进行采样，而在其他部分，我可以通过以更低的分辨率进行采样。我显然可以以高分辨率对整个数据集进行采样，但是样本数量超过 10 万亿，而且我知道数据集的大部分变化非常缓慢，并且以较低的分辨率对这部分进行采样就足够了。我的猜测是，如果我能正确地对其进行采样，我可以减少 4-5 个数量级的样本数量。

我的问题是，我应该做什么/构建什么东西可以自适应地对高维数据集进行采样（必要时改变分辨率）并给我一个最佳的训练集？

注意：我的一位同事建议我使用马尔可夫链蒙特卡罗方法。我不确定这是否是最好的方法。请分享您的意见。