WikiDer > Алгоритм Ланжевена с поправкой на мегаполис

В вычислительная статистика, то Алгоритм Ланжевена с поправкой на мегаполис (MALA) или же Ланжевен Монте-Карло (LMC) это Цепь Маркова Монте-Карло (MCMC) метод получения случайные выборки - последовательности случайных наблюдений - из распределение вероятностей для которых затруднен прямой отбор проб. Как следует из названия, MALA использует комбинацию двух механизмов для генерации состояний случайная прогулка который имеет целевое распределение вероятностей как инвариантная мера:

• новые состояния предлагаются с использованием (чрезмерно демпфированный) Динамика Ланжевена, которые используют оценки градиент цели функция плотности вероятности;
• эти предложения принимаются или отклоняются с использованием Алгоритм Метрополиса – Гастингса, который использует оценки целевой плотности вероятности (но не ее градиента).

Неформально динамика Ланжевена приводит к случайному блужданию в направлении областей с высокой вероятностью в виде градиентного потока, в то время как механизм принятия / отклонения Метрополиса – Гастингса улучшает свойства смешивания и сходимости этого случайного блуждания. MALA был первоначально предложен Юлиан Бесаг в 1994 г.^[1] и его свойства были подробно исследованы Гарет Робертс вместе с Ричард Твиди^[2] и Джефф Розенталь.^[3] С тех пор было введено множество вариаций и уточнений, например то многообразие вариант Джиролами и Колдерхед (2011).^[4] Метод эквивалентен использованию Гамильтониан Монте-Карло алгоритм только с одним дискретным шагом по времени.^[4]

Более подробная информация

Позволять ${ displaystyle pi}$ обозначим функцию плотности вероятности на ${ Displaystyle mathbb {R} ^ {d}}$, из которых желательно нарисовать ансамбль независимые и одинаково распределенные образцы. Рассмотрим передемпфированный ланжевеновский Ито диффузия

${ displaystyle { dot {X}} = nabla log pi (X) + { sqrt {2}} { dot {W}}}$

управляется производной по времени от стандарта Броуновское движение ${ displaystyle W}$. (Обратите внимание, что еще одна часто используемая нормализация для этого распространения -

${ displaystyle { dot {X}} = { frac {1} {2}} nabla log pi (X) + { dot {W}},}$

что порождает ту же динамику.) В пределе ${ Displaystyle т к infty}$, это распределение вероятностей ${ Displaystyle rho (т)}$ из ${ Displaystyle X (т)}$ приближается к стационарному распределению, которое также инвариантно относительно диффузии, которое мы обозначим ${ displaystyle rho _ { infty}}$. Оказывается, на самом деле ${ displaystyle rho _ { infty} = pi}$.

Примерные траектории диффузии Ланжевена могут быть получены многими методами с дискретным временем. Один из самых простых - Метод Эйлера – Маруямы с фиксированным шагом по времени ${ displaystyle tau> 0}$. Мы установили ${ displaystyle X_ {0}: = x_ {0}}$ а затем рекурсивно определить приближение ${ displaystyle X_ {k}}$ к истинному решению ${ Displaystyle Х (к тау)}$ к

${ displaystyle X_ {k + 1}: = X_ {k} + tau nabla log pi (X_ {k}) + { sqrt {2 tau}} xi _ {k},}$

где каждый ${ displaystyle xi _ {k}}$ является независимым розыгрышем многомерное нормальное распределение на ${ Displaystyle mathbb {R} ^ {d}}$ с иметь в виду 0 и ковариационная матрица равно ${ displaystyle d times d}$ единичная матрица. Обратите внимание, что ${ displaystyle X_ {k + 1}}$ нормально распределяется со средним ${ displaystyle X_ {k} + tau nabla log pi (X_ {k})}$ и ковариация равна ${ Displaystyle 2 тау}$ раз ${ displaystyle d times d}$ единичная матрица.

В отличие от метода Эйлера – Маруямы для моделирования диффузии Ланжевена, который всегда обновляет ${ displaystyle X_ {k}}$ согласно правилу обновления

${ displaystyle X_ {k + 1}: = X_ {k} + tau nabla log pi (X_ {k}) + { sqrt {2 tau}} xi _ {k},}$

MALA включает дополнительный этап. Мы рассматриваем приведенное выше правило обновления как определение предложение ${ displaystyle { tilde {X}} _ {k + 1}}$ для нового государства,

${ displaystyle { tilde {X}} _ {k + 1}: = X_ {k} + tau nabla log pi (X_ {k}) + { sqrt {2 tau}} xi _ {k}.}$

Это предложение принимается или отклоняется по алгоритму Метрополиса-Гастингса: установить

${ displaystyle alpha: = min left {1, { frac { pi ({ tilde {X}} _ {k + 1}) q (X_ {k} mid { tilde {X}) } _ {k + 1})} { pi ({X} _ {k}) q ({ tilde {X}} _ {k + 1} mid X_ {k})}} right }, }$

куда

${ displaystyle q (x ' mid x) propto exp left (- { frac {1} {4 tau}} | x'-x- tau nabla log pi (x) | _ {2} ^ {2} right)}$

- плотность вероятности перехода из ${ displaystyle x}$ к ${ displaystyle x '}$ (обратите внимание, что в целом ${ Displaystyle д (х ' середина х) neq q (х середина х')}$). Позволять ${ displaystyle u}$ быть извлеченным из непрерывное равномерное распределение на интервале ${ displaystyle [0,1]}$. Если ${ Displaystyle и leq alpha}$, то предложение принимается, и мы устанавливаем ${ displaystyle X_ {k + 1}: = { tilde {X}} _ {k + 1}}$; в противном случае предложение отклоняется, и мы устанавливаем ${ displaystyle X_ {k + 1}: = X_ {k}}$.

Комбинированная динамика диффузии Ланжевена и алгоритма Метрополиса – Гастингса удовлетворяет подробный баланс условия, необходимые для существования единственного, инвариантного, стационарного распределения ${ displaystyle rho _ { infty} = pi}$. По сравнению с наивным Метрополис-Гастингс, MALA имеет то преимущество, что обычно предлагает переезд в регионы более высокого уровня. ${ displaystyle pi}$ вероятность, которые затем будут приняты с большей вероятностью. С другой стороны, когда ${ displaystyle pi}$ сильно анизотропный (т.е. в одних направлениях он меняется намного быстрее, чем в других), необходимо принять ${ Displaystyle 0 < тау ll 1}$ чтобы правильно уловить динамику Ланжевена; использование положительно определенного предварительная подготовка матрица ${ displaystyle A in mathbb {R} ^ {d times d}}$ может помочь решить эту проблему, создавая предложения в соответствии с

${ displaystyle { tilde {X}} _ {k + 1}: = X_ {k} + tau A nabla log pi (X_ {k}) + { sqrt {2 tau A}} xi _ {k},}$

так что ${ displaystyle { tilde {X}} _ {k + 1}}$ имеет в виду ${ Displaystyle X_ {к} + тау А набла журнал пи (X_ {k})}$ и ковариация ${ Displaystyle 2 тау А}$.

В практических приложениях оптимальная скорость приема для этого алгоритма ${ displaystyle 0,574}$; если обнаружится, что он существенно отличается, ${ Displaystyle тау}$ следует соответствующим образом изменить.^[3]

Рекомендации