关于粒子吉布斯采样器

IF 1.2 2区 数学 Q2 STATISTICS & PROBABILITY
P. Moral, R. Kohn, F. Patras
{"title":"关于粒子吉布斯采样器","authors":"P. Moral, R. Kohn, F. Patras","doi":"10.1214/15-AIHP695","DOIUrl":null,"url":null,"abstract":"Cet article analyse une classe de methodes de Monte Carlo avancees de type particulaire introduites par Andrieu, Doucet, et Holenstein (J. R. Stat. Soc. Ser. B Stat. Methodol. 72 (2010) 1–269). Nous presentons une interpretation naturelle de ces methodes en termes de mesures de Feynman–Kac particulaires non biaisees classiques et d’une nouvelle formule de dualite entre modeles de Feynman–Kac. Ce cadre d’etude apporte un nouvel eclairage sur les fondations et l’analyse mathematique de ces methodes. Une consequence importante est l’equivalence de ces dernieres avec la methode d’echantillonnage de Gibbs d’une distribution de Feynman–Kac multi-corps. Notre etude developpe aussi un nouveau calcul differentiel stochastique fonde sur des techniques geometriques et combinatoires. Ces techniques permettent d’obtenir des developpements non asymptotiques des semigroupes de modeles de Monte Carlo par Chaines de Markov particulaires autour de leur mesure invariante, en fonction de la taille des systemes de particules en interaction auxiliaires. Cette analyse conduit a des estimations quantitatives precises de la convergence a l’equilibre de ces modeles par rapport a l’horizon temporel et la taille des systemes. Nous illustrons ces resultats avec quelques implications directes, notamment l’estimation precise des coefficients de contraction et des exposants de Lyapunov de ces algorithmes de simulation, ainsi que l’estimation fine de l’erreur en norme $\\mathbb{L}_{p}$ entre la loi des etats aleatoires de ces chaines de Markov et leur mesure d’equilibre. Le cadre abstrait de l’article permet d’elaborer et d’etendre de facon naturelle ces methodes a des classes d’algorithmes fondes sur des evolutions d’ilots particulaires (aussi connus sous le nom $\\mathrm{SMC}^{2}$). Nous montrons enfin comment ce cadre general et les resultats de l’article s’appliquent a l’etude de problemes de filtrage non lineaire, l’estimation de parametres fixes dans des modeles de chaines de Markov cachees, et dans des problemes d’integration trajectorielle rencontres en physique quantique et en chimie moleculaire.","PeriodicalId":7902,"journal":{"name":"Annales De L Institut Henri Poincare-probabilites Et Statistiques","volume":"27 1","pages":"1687-1733"},"PeriodicalIF":1.2000,"publicationDate":"2016-11-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"9","resultStr":"{\"title\":\"On particle Gibbs samplers\",\"authors\":\"P. Moral, R. Kohn, F. Patras\",\"doi\":\"10.1214/15-AIHP695\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"Cet article analyse une classe de methodes de Monte Carlo avancees de type particulaire introduites par Andrieu, Doucet, et Holenstein (J. R. Stat. Soc. Ser. B Stat. Methodol. 72 (2010) 1–269). Nous presentons une interpretation naturelle de ces methodes en termes de mesures de Feynman–Kac particulaires non biaisees classiques et d’une nouvelle formule de dualite entre modeles de Feynman–Kac. Ce cadre d’etude apporte un nouvel eclairage sur les fondations et l’analyse mathematique de ces methodes. Une consequence importante est l’equivalence de ces dernieres avec la methode d’echantillonnage de Gibbs d’une distribution de Feynman–Kac multi-corps. Notre etude developpe aussi un nouveau calcul differentiel stochastique fonde sur des techniques geometriques et combinatoires. Ces techniques permettent d’obtenir des developpements non asymptotiques des semigroupes de modeles de Monte Carlo par Chaines de Markov particulaires autour de leur mesure invariante, en fonction de la taille des systemes de particules en interaction auxiliaires. Cette analyse conduit a des estimations quantitatives precises de la convergence a l’equilibre de ces modeles par rapport a l’horizon temporel et la taille des systemes. Nous illustrons ces resultats avec quelques implications directes, notamment l’estimation precise des coefficients de contraction et des exposants de Lyapunov de ces algorithmes de simulation, ainsi que l’estimation fine de l’erreur en norme $\\\\mathbb{L}_{p}$ entre la loi des etats aleatoires de ces chaines de Markov et leur mesure d’equilibre. Le cadre abstrait de l’article permet d’elaborer et d’etendre de facon naturelle ces methodes a des classes d’algorithmes fondes sur des evolutions d’ilots particulaires (aussi connus sous le nom $\\\\mathrm{SMC}^{2}$). Nous montrons enfin comment ce cadre general et les resultats de l’article s’appliquent a l’etude de problemes de filtrage non lineaire, l’estimation de parametres fixes dans des modeles de chaines de Markov cachees, et dans des problemes d’integration trajectorielle rencontres en physique quantique et en chimie moleculaire.\",\"PeriodicalId\":7902,\"journal\":{\"name\":\"Annales De L Institut Henri Poincare-probabilites Et Statistiques\",\"volume\":\"27 1\",\"pages\":\"1687-1733\"},\"PeriodicalIF\":1.2000,\"publicationDate\":\"2016-11-01\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"9\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"Annales De L Institut Henri Poincare-probabilites Et Statistiques\",\"FirstCategoryId\":\"100\",\"ListUrlMain\":\"https://doi.org/10.1214/15-AIHP695\",\"RegionNum\":2,\"RegionCategory\":\"数学\",\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"Q2\",\"JCRName\":\"STATISTICS & PROBABILITY\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"Annales De L Institut Henri Poincare-probabilites Et Statistiques","FirstCategoryId":"100","ListUrlMain":"https://doi.org/10.1214/15-AIHP695","RegionNum":2,"RegionCategory":"数学","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q2","JCRName":"STATISTICS & PROBABILITY","Score":null,"Total":0}
引用次数: 9

摘要

本文分析了Andrieu、Doucet和Holenstein (J. R. Stat. Soc.)提出的一类先进的粒子型蒙特卡罗方法。爵士。B . Methodol. 72(2010) 1 - 269)。我们用经典无偏粒子费曼- Kac测量和费曼- Kac模型对偶性的新公式对这些方法进行了自然解释。本研究框架为这些方法的基础和数学分析提供了新的见解。一个重要的结果是后者与多体费曼- Kac分布的吉布斯抽样方法的等价性。我们的研究还发展了一种新的基于几何和组合技术的随机微分计算。这些技术允许粒子马尔可夫链蒙特卡罗模型半群的非渐近发展,围绕它们的不变测量,作为辅助相互作用粒子系统大小的函数。这种分析导致了这些模型在时间范围和系统规模上的均衡收敛的精确定量估计。我们用这些结果与一些直接影响系数的估计,包括precision收缩和参展商的Lyapunov这些算法进行仿真,以及精细估计误差的标准以\ $ $ _ mathbb L {} {} p各州的法律选择之间的这种平衡。的马尔科夫链及其测量本文的抽象框架允许这些方法以一种自然的方式发展和扩展到基于特定岛屿演化的算法类(也称为$\mathrm{SMC}^{2}$)。最后,我们展示了这个总体框架和本文的结果如何应用于非线性滤波问题的研究,隐藏马尔可夫链模型中固定参数的估计,以及量子物理和分子化学中遇到的轨迹积分问题。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
On particle Gibbs samplers
Cet article analyse une classe de methodes de Monte Carlo avancees de type particulaire introduites par Andrieu, Doucet, et Holenstein (J. R. Stat. Soc. Ser. B Stat. Methodol. 72 (2010) 1–269). Nous presentons une interpretation naturelle de ces methodes en termes de mesures de Feynman–Kac particulaires non biaisees classiques et d’une nouvelle formule de dualite entre modeles de Feynman–Kac. Ce cadre d’etude apporte un nouvel eclairage sur les fondations et l’analyse mathematique de ces methodes. Une consequence importante est l’equivalence de ces dernieres avec la methode d’echantillonnage de Gibbs d’une distribution de Feynman–Kac multi-corps. Notre etude developpe aussi un nouveau calcul differentiel stochastique fonde sur des techniques geometriques et combinatoires. Ces techniques permettent d’obtenir des developpements non asymptotiques des semigroupes de modeles de Monte Carlo par Chaines de Markov particulaires autour de leur mesure invariante, en fonction de la taille des systemes de particules en interaction auxiliaires. Cette analyse conduit a des estimations quantitatives precises de la convergence a l’equilibre de ces modeles par rapport a l’horizon temporel et la taille des systemes. Nous illustrons ces resultats avec quelques implications directes, notamment l’estimation precise des coefficients de contraction et des exposants de Lyapunov de ces algorithmes de simulation, ainsi que l’estimation fine de l’erreur en norme $\mathbb{L}_{p}$ entre la loi des etats aleatoires de ces chaines de Markov et leur mesure d’equilibre. Le cadre abstrait de l’article permet d’elaborer et d’etendre de facon naturelle ces methodes a des classes d’algorithmes fondes sur des evolutions d’ilots particulaires (aussi connus sous le nom $\mathrm{SMC}^{2}$). Nous montrons enfin comment ce cadre general et les resultats de l’article s’appliquent a l’etude de problemes de filtrage non lineaire, l’estimation de parametres fixes dans des modeles de chaines de Markov cachees, et dans des problemes d’integration trajectorielle rencontres en physique quantique et en chimie moleculaire.
求助全文
通过发布文献求助,成功后即可免费获取论文全文。 去求助
来源期刊
CiteScore
2.70
自引率
0.00%
发文量
85
审稿时长
6-12 weeks
期刊介绍: The Probability and Statistics section of the Annales de l’Institut Henri Poincaré is an international journal which publishes high quality research papers. The journal deals with all aspects of modern probability theory and mathematical statistics, as well as with their applications.
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
确定
请完成安全验证×
copy
已复制链接
快去分享给好友吧!
我知道了
右上角分享
点击右上角分享
0
联系我们:info@booksci.cn Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。 Copyright © 2023 布克学术 All rights reserved.
京ICP备2023020795号-1
ghs 京公网安备 11010802042870号
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术官方微信