[論文レビュー] ABC methods for model choice in Gibbs random fields

Aude Grelaud, Christian P. Robert+3 more|arXiv (Cornell University)|Jul 17, 2008

Bayesian Methods and Mixture Models被引用数 4

ひとこと要約

本稿では、すべてのモデルにおける十分統計量を連結する体系的統計量を活用することで、ギブス確率場におけるベイズ的モデル選択のためのABCベースの手法を提案する。このアプローチにより、後方モデル確率の効率的計算が可能となり、尤度が計算不能な指数型分布族モデルにおけるモデル選択の実用的解決策を提供する。

ABSTRACT

On s'intéresse au problème du choix bayésien de modèles de champs de Gibbs. Ce choix repose sur l'évaluation des probabilités a posteriori des modèles. Nous montrons l'existence d'une statistique exhaustive pour l'ensemble des paramètres, incluant l'indice du modèle, constituée de la concaténation de statistiques exhaustives de chacun des modèles. Nous utilisons cette statistique pour construire un algorithme ABC.

研究の動機と目的

• 尤度が計算不能なギブス確率場におけるベイズ的モデル選択の課題に対処すること。
• パラメータとモデルインデックスを統合した十分統計量を特定すること。
• この十分統計量を活用した効率的なモデル比較が可能なABCアルゴリズムの開発。
• 指数型分布族モデルにおける後方モデル確率の推定に計算的に実行可能なアプローチを提供すること。

提案手法

• 本稿では、各個別のモデルの十分統計量を連結することで、モデルインデックスをパrameter空間に含めた統合的十分統計量を構築する。
• この連結統計量が、モデルインジケーターを含む全パrameterセットに対して体系的であることを確立する。
• ABCアルゴリズムは、この十分統計量を要約統計量として用い、後方分布を近似する。
• 明示的な尤度評価を必要とせずに、結合モデル空間からのシミュレーションに依存して、後方モデル確率を推定する。
• ギブス確率場における尤度の計算不能性を回避するため、十分統計量を用いたABCリジェクトサンプリングを適用する。
• 十分統計量の情報保持性を活用することで、正則性条件下でモデル選択の一貫性を保証する。

実験結果

リサーチクエスチョン

• RQ1 複数のギブス確率場モデルにわたるモデル選択のための統一的十分統計量を構築可能か？
• RQ2 ABCは、指数型分布族モデルにおいて、モデルインデックスと連続パラメータを同時に扱うようにどのように適合可能か？
• RQ3 連結十分統計量の使用が、ABCにおける後方モデル確率の精度に与える影響は何か？
• RQ4 尤度が計算不能なモデルにおいて、ABCと十分統計量を用いて一貫性のあるベイズ的モデル選択が可能か？
• RQ5 計算効率と精度の観点から、提案手法は従来のアプローチと比べてどのように異なるか？

主な発見

• 本稿では、すべてのモデル固有の十分統計量とモデルインデックスを統合した単一の体系的統計量の存在を証明する。
• 提案されたABCアルゴリズムは、この十分統計量を要約統計量として用いることで、一貫性のあるモデル選択を達成する。
• 明示的な尤度評価を必要とせず、多くのギブス確率場モデルでは不可能な後方モデル確率の推定が可能になる。
• 連結十分統計量の使用により、ABC近似プロセスにおいて情報損失が生じない。
• 本手法は、尤度が計算不能な指数型分布族モデルに適用可能であり、ABCのモデル選択における応用範囲を拡張する。
• 十分統計量とABCを組み合わせることで、ギブス確率場におけるモデル不確実性を原理的かつ体系的に取り扱うフレームワークを提供する。