Cet article présente l'échantillonnage séquentiel de Monte Carlo (SMC) et l'échantillonnage par diffusion comme méthodes efficaces d'échantillonnage à partir de densités de probabilité non normalisées. Ces méthodes reposent sur l'idée de propager progressivement des échantillons d'une distribution a priori simple vers une distribution cible complexe. La SMC se propage à l'aide de chaînes de Markov et d'étapes de rééchantillonnage à travers des densités de recuit successives, tandis que les méthodes par diffusion utilisent la propagation dynamique apprise. Dans cet article, nous présentons un cadre théorique combinant les échantillonneurs SMC et par diffusion en considérant les deux méthodes en temps continu et en considérant les mesures dans l'espace des chemins. Nous proposons ensuite une nouvelle méthode d'échantillonnage par diffusion de Langevin contrôlée séquentielle (SCLD), qui exploite les atouts des deux méthodes pour améliorer les performances par rapport aux échantillonneurs par diffusion conventionnels sur plusieurs problèmes de référence, avec un coût d'apprentissage de seulement 10 %.
