Uyarlanabilir MCMC'ye güvenilebilir mi?


20

Uyarlanabilir MCMC hakkında okuyorum (bakınız örneğin Markov Zinciri El Kitabı El Kitabı Bölüm 4 , ed. Brooks ve ark., 2011; ve ayrıca Andrieu & Thoms, 2008 ).

np(n)limnp(n)=0

Bu sonuç asemptotik olarak (posteriori) sezgiseldir. Adaptasyon miktarı sıfıra düştüğünden, sonunda ergodisite ile bozulmaz. Benim endişem, sonlu zamanda olan şey.

  • Adaptasyonun belirli bir zamanda ergodisite ile uğraşmadığını ve bir örnekleyicinin doğru dağılımdan numune aldığını nasıl bilebiliriz? Eğer mantıklı geliyorsa, erken adaptasyonun zincirlere ağırlık vermemesini sağlamak için ne kadar yanma yapılmalıdır?

  • Alandaki uygulayıcılar uyarlanabilir MCMC'ye güveniyor mu? Sormamın nedeni, rejenerasyon veya topluluk yöntemleri gibi ergodisiteye saygı duyduğu bilinen diğer daha karmaşık şekillerde adaptasyonu yerleşik hale getirmeye çalışan birçok yeni yöntem gördüm (yani, bir geçiş seçmek yasaldır) operatör diğer paralel zincirlerin durumuna bağlıdır). Alternatif olarak, adaptasyon sadece Stan gibi yanma sırasında yapılır , ancak çalışma zamanında yapılmaz. Tüm bu çabalar bana Roberts ve Rosenthal (uyarlaması son derece basit olacak) uyarınca uyarlanabilir MCMC'nin güvenilir olarak kabul edilmediğini; ama belki başka sebepler de vardır.

  • Uyarlanabilir Metropolis-Hastings gibi özel uygulamalar hakkında ne söyleyebiliriz ( Haario ve ark. 2001 )?


Referanslar


1
+1 ancak uyarlanabilir olmayan MCMC için bile sınırlı süreli garanti var mı?
Juho Kokkala

2
@JuhoKokkala: muhtemelen değil, ancak adaptif MCMC ile, standart yakınsama sorunlarından (kendi başına teşhis edilmesi zaten oldukça zor olan) daha az anlaşılmış ve kontrol edilmesi zor olan başka bir olası başarısızlık modu katmanı ekliyor gibi görünüyor. En azından, uygulayıcıların (ben, biri için) neden buna karşı dikkatli olacağı konusundaki anlayışım bu.
lacerbi

1
Bence yanma sırasında adaptasyon adaptasyonla başa çıkmanın en iyi yolu. Açıkçası, posteriorunuzda diğerlerinden farklı ayar gerektiren bazı alanlarınız varsa, sorunlarınız olacaktır, ancak bu durumda, tamamen uyarlanabilir MCMC çalıştırırsanız, yok olma durumu nedeniyle çok fazla adapte olmanıza izin verilmez. .
sega_sai

Yanıtlar:


2

Adaptasyonun belirli bir zamanda ergodisite ile uğraşmadığını ve bir örnekleyicinin doğru dağılımdan numune aldığını nasıl bilebiliriz? Eğer mantıklı geliyorsa, erken adaptasyonun zincirlere ağırlık vermemesini sağlamak için ne kadar yanma yapılmalıdır?

Ergodisite ve yanlılık Markov zincirinin asimptotik özellikleriyle ilgilidir, Markov zincirinin davranışı ve dağılımı hakkında hiçbir şey söylemezler at a given finite time. Adaptivitenin bu sorunla bir ilgisi yoktur, herhangi bir MCMC algoritması hedeften uzak simülasyonlar üretebilir at a given finite time.


1
(+1) Açıklama için teşekkürler. Evet, MCMC algoritmalarının hiçbir garantisi olmadığını anlıyorum at a given finite time. Bununla birlikte, pratikte bunları , çoğu durumda teorik garanti olmasa da, belirli bir zamanda hedef dağılımın iyi / makul bir yaklaşımını sağlıyormuş gibi kullanırız (AFAIK sadece birkaç vaka matematiksel olarak anlaşılır). Belki de " karıştırma zamanı ile uğraşmak" demeliyim ? Demek istediğim bu daha yakın. Dili nasıl düzeltebileceğiniz konusunda önerileriniz varsa lütfen bize bildirin.
lacerbi
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.