多信度近似贝叶斯计算
摘要：计算机科学中一部分非常关键的阶段是根据观测数据来校准模型的参数。无法计算似然的参数推断方法，比如近似贝叶斯计算，通过比较数据和大量的模型模拟来建立不确定参数分布的蒙特卡洛样本。然而，生成这些模拟的计算开销在实际应用中成为一个重要的瓶颈。我们确定了如何分别使用廉价低保真模型的模拟以两种互补的方式来降低构建这些样本的计算开销，但同时会引入额外的方差到结果的参数估计中。我们探讨了如何统一这些方法，使成本和效益得到最优平衡，并且表征了在蒙特卡洛ABC算法中从廉价低保真模型模拟的频率与昂贵高保真模型相比的最优选择。我们提出的早期接受/拒绝多保真ABC算法在性能上优于现有的多保真和高保真方法。
作者：Thomas P Prescott and Ruth E Baker
论文ID：1811.09550
分类：Computation
分类简称：stat.CO
提交时间：2021-12-23