[論文レビュー] A Generalized Framework for Approximate Control Variates

Alex Gorodetsky, Gianluca Geraci+2 more|arXiv (Cornell University)|Nov 12, 2018

Simulation Techniques and Applications参考文献 10被引用数 4

ひとこと要約

本稿では、高価なシミュレーションモデルにおける統計的推定を高速化するため、近似制御変数を用いた一般化されたモンテカルロフレームワークを提案する。複数の低精度モデルからの制御変数平均を同時に推定することで、従来の手法が直面する分散低減の限界を克服し、マルチレベルおよびマルチファシリティMCスキームと比較して、桁違いの改善を達成する。特に、高精度評価が固定または高価な場合に顕著である。

ABSTRACT

We describe and analyze a Monte Carlo (MC) sampling framework for accelerating the estimation of statistics of computationally expensive simulation models using an ensemble of models with lower cost. Our approach uses control variates, with unknown means that must be estimated from data, to reduce the variance in statistical estimators relative to MC. Our framework unifies existing multi-level, multi-index, and multi-fidelity MC algorithms and leads to new and more efficient sampling schemes. Our results indicate that the variance reduction achieved by existing algorithms that explicitly or implicitly estimate control means, such as multilevel MC and multifidelity MC, is limited to that of a single linear control variate with known mean regardless of the number of control variates. We show how to circumvent this limitation and derive a new family of schemes that make full use of all available information sources. In particular, we demonstrate that a significant gap can exist, of orders of magnitude in some cases, between the variance reduction achievable by current recursive schemes and our generalized schemes. We also present initial sample allocation approaches for exploiting this gap, which yield the greatest benefit when augmenting the high-fidelity model evaluations is impractical because, for instance, they arise from a legacy database. Several analytic examples and two PDE problems (viscous Burger's and steady state diffusion) are considered to demonstrate the methodology.

研究の動機と目的

• 既存のマルチファシリティ、マルチレベル、マルチインデックスモンテカルロ手法における分散低減の限界を解消すること。これは、平均が既知の単一の線形制御変数に制限されるためである。
• 複数の低精度モデルを含む、すべての利用可能な情報源を完全に活用する、単一の一般化された制御変数アプローチによって、既存のモンテカルロフレームワークを統合すること。
• 現在の再帰的スキームが、多数の制御変数が利用可能であっても、根本的に分散低減に限界をもつことの証明。
• データから制御変数平均を同時に推定することで、著しく高い分散低減を達成する新しいサンプリングスキームの開発。
• 高精度モデル評価が固定または不可能な状況において、効率を最大化する実用的なサンプル配分戦略の提供。

提案手法

• 本フレームワークは、平均が未知の複数の低精度モデルを組み合わせ、高精度シミュレーション推定量の分散を低減する一般化された線形制御変数推定器を導入する。
• 最適な制御変数重みは、実証的共分散および平均推定値を用いて、推定量の分散を最小化する最小二乗問題の解として定式化される。
• マルチレベルおよびマルチファシリティMCを一般化する。任意の数の制御変数を許容し、平均を事前に知っているか再帰的に計算するのではなく、データから推定する。
• 相関関係とモデル間のコストトレードオフを考慮した、推定量分散を最小化する最適な重みベクトルの閉形式表現を導出する。
• 固定された計算予算内で全ファシリティレベルにおけるサンプル数を最適化することで、効率的なサンプル配分が可能になる。
• 解析的およびPDEベースのテストケース（粘性バーガーズ方程式および定常拡散）を用いて、手法の妥当性を検証し、既存の手法と性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 複数の低精度モデルが利用可能な状況において、一般化された制御変数フレームワークは、既存のマルチレベルおよびマルチファシリティモンテカルロ手法を上回る分散低減を達成できるか？
• RQ2 制御変数の平均を逐次的に推定する再帰的制御変数スキームにおける、分散低減の根本的限界は何か？
• RQ3 複数の低精度モデルから得られるすべての情報を完全に活用することで、現在の手法を上回る分散低減を達成できるか？
• RQ4 高精度モデル評価が固定または高価な状況において、どのサンプル配分戦略が効率を最大化できるか？
• RQ5 提案されたフレームワークは、理論的潜在能力と実際の性能のギャップをどの程度埋めることができるか？

主な発見

• 既存のマルチレベルおよびマルチファシリティモンテカルロ手法は、使用する制御変数の数に関わらず、平均が既知の単一の線形制御変数の性能に制限され、根本的に分散低減に限界をもつ。
• 本稿で提案する一般化されたフレームワークは、データから制御変数平均を同時に推定することで、著しく高い分散低減を達成する。一部のケースでは、桁違いの差が確認された。
• 本手法は、すべての利用可能な低精度モデルを完全に活用でき、再帰的推定スキームの性能限界を克服する。
• 本フレームワークから導出されたサンプル配分戦略は、高精度モデル評価の追加が実用的でない場合に特に顕著な効率向上をもたらす。
• 解析的およびPDEテストケース（粘性バーガーズ方程式および定常拡散）により、本手法の優れた性能と多様なシミュレーション問題へのスケーラビリティが確認された。
• 本フレームワークは、既存のモンテカルロアプローチを統合・一般化し、今後の分散低減技術の開発に原理的基盤を提供する。