[論文レビュー] Bayesian Computing with INLA: A Review

Håvard Rue, Andrea Riebler+4 more|arXiv (Cornell University)|Apr 4, 2016

Statistical Methods and Bayesian Inference参考文献 71被引用数 6

ひとこと要約

この論文は、潜在ガウス過程モデル（LGM）における高速かつ高精度なベイズ推論のための統合ネストラス近似（INLA）手法をレビューしている。INLAはネストラス近似とスパース行列計算を活用し、MCMCと比較して桁違いに高速でありながらも高い精度を維持する決定的でほぼ正確な事後分布近似を提供する。これは応用ベイズ統計に非常に適している。

ABSTRACT

The key operation in Bayesian inference, is to compute high-dimensional integrals. An old approximate technique is the Laplace method or approximation, which dates back to Pierre- Simon Laplace (1774). This simple idea approximates the integrand with a second order Taylor expansion around the mode and computes the integral analytically. By developing a nested version of this classical idea, combined with modern numerical techniques for sparse matrices, we obtain the approach of Integrated Nested Laplace Approximations (INLA) to do approximate Bayesian inference for latent Gaussian models (LGMs). LGMs represent an important model-abstraction for Bayesian inference and include a large proportion of the statistical models used today. In this review, we will discuss the reasons for the success of the INLA-approach, the R-INLA package, why it is so accurate, why the approximations are very quick to compute and why LGMs make such a useful concept for Bayesian computing.

研究の動機と目的

• 潜在ガウス過程モデル（LGM）におけるベイズ推論のためのスケーラブルで決定的なMCMCの代替手法としてINLAを提示すること。
• INLAが近似手法であるにもかかわらず、実際の応用においてなぜMCMCよりも高速かつ高精度であるのかを説明すること。
• スパース行列技術とネストラス近似の役割が、計算の効率化をどのように可能にするかを強調すること。
• 疫学、生態学、遺伝学、環境科学の分野における実世界の例を通じて、INLAの広範な適用可能性を示すこと。
• INLAを応用統計における反復的モデル構築を支援する実用的で使いやすいツールとして提唱すること。

提案手法

• LGMにおけるベイズ推論の高次元積分を近似するためにネストラス近似を用いる。
• 事後分布のモードの周りで2次テイラー展開を適用し、解析的に積分を計算する。
• LGMで生じる大規模でスパースな精度行列を効率的に処理するためにスパース行列アルゴリズムを用いる。
• 潜在ガウス効果およびハイパーパrameterの事後分布に対する決定的近似を構築する。
• ハイパーパrameterの積分には数値台形則を用い、同時に結合事後分布のモードに条件づける。
• R-INLAパッケージを活用して、実データへのINLAの適用を容易にするユーザーフレンドリーなインターフェースを提供する。

実験結果

リサーチクエスチョン

• RQ1 なぜINLAはMCMCと比較して著しく高速でありながらも、ベイズ推論において高い精度を維持できるのか？
• RQ2 ネストラス近似とスパース行列技術が、LGMにおける計算をどのように効率化するのか？
• RQ3 どのような統計モデルがLGMフレームワークに含まれるのか？ そしてなぜこのクラスがこれほど広く適用可能なのか？
• RQ4 INLAは応用統計における反復的モデル構築プロセスをどのように支援するのか？
• RQ5 欠損データを含むモデルや、複雑な空間点過程など、他のモデルとINLAをどのように拡張または統合できるか？

主な発見

• INLAは、MCMCと比較して桁違いに高速な計算時間を実現しながらも、LGMに対してほぼ正確な事後分布近似を提供する。
• ネストラス近似と効率的なスパース行列ソルバーの組み合わせにより、高い精度が達成されている。
• R-INLAは、疾病マッピング、環境健康、遺伝学、生態学の分野で広く採用されており、実務分野での使用実績が多数ある。
• INLAはペナルティ付き複雑性（PC）事前分布を用いてデフォルトの事前分布を構築可能であり、頑健で解釈可能なモデル指定を可能にする。
• 空間的・時空間的・階層的モデルを含む複雑なモデルに対しても、実用的なベイズ推論を可能にする。
• 感度分析やモデルチェック（例：事前分布の感度テスト）を支援し、ネットワークメタアナリシスや自己回帰過程などの高度なモデルもサポートする。