贝叶斯常微分方程模型中可靠高效推断的重要抽样方法
摘要：隐含定义的统计模型可能涉及到非线性常微分方程（ODE）的解，为了评估模型，这些解不可避免地需要进行数值逼近。逼近误差在统计推断结果中造成偏差，但这种偏差的程度通常是未知的，而且在贝叶斯参数推断中通常被忽视。我们提出了一种计算效率高、可靠性较高的方法，用于验证基于马尔可夫链蒙特卡洛方法进行这种模型后验推断的可靠性。我们使用模拟数据和真实数据以及不同的ODE求解器进行实验证实了我们的工作流程的效率和可靠性。我们强调了常用的自适应ODE求解器的问题，并提出了强大而有效的替代方案，配合我们的工作流程使用可以不损失推断的可靠性。
作者：Juho Timonen, Nikolas Siccha, Ben Bales, Harri L"ahdesm"aki, Aki Vehtari
论文ID：2205.09059
分类：Computation
分类简称：stat.CO
提交时间：2022-05-19