无偏逼近通过耦合粒子马尔可夫链蒙特卡罗
摘要：马尔可夫链蒙特卡洛（MCMC）是一种用于近似后验分布的强大方法。然而，MCMC的迭代性质并不自然地适应于在HPC和云环境上进行现代高度并行计算。另一个担忧是识别出产生平均值的偏差和蒙特卡洛误差。上述问题促使最近基于MCMC算法耦合的完全（“令人尴尬”）并行无偏蒙特卡洛方法的发展。一个限制是有效耦合的构制通常并不简单，需要模型特定的技术工作。我们提出了通过考虑自适应SMC方法与最近无偏估计状态空间模型的进展相结合，将派生自顺序蒙特卡洛（SMC）的MCMC链进行耦合。耦合在SMC层面上实现，并且原则上不是问题特定的。该方法具有理论上的有益性质。一个核心的动机是将无偏MCMC扩展到与相关文献中通常考虑的更具挑战性的目标。我们通过应用于两个复杂的统计模型来说明算法的有效性：（i）马蹄铁回归；（ii）高斯图模型。
作者：Willem van den Boom, Ajay Jasra, Maria De Iorio, Alexandros Beskos, Johan G. Eriksson
论文ID：2103.05176
分类：Computation
分类简称：stat.CO
提交时间：2023-04-28