[論文レビュー] Bayesian prediction for stochastic processes

Delphine Blanke, Denis Bosq|arXiv (Cornell University)|Nov 9, 2012

Fault Detection and Control Systems被引用数 2

ひとこと要約

本稿では、実数値の確率的過程を予測するためのベイズ枠組みを提示し、ベイズ予測子の2つの同等な定義を提示し、許容性や不偏性などの性質を分析している。この手法は連続的およびサンプリング済みの設定下でポアソン過程とオーランシュタイン＝オーレンパイク過程に適用され、シミュレーションを通じてベイズ予測子が非ベイズ的手法に比べて予測精度と効率性に優れていることが示されている。

ABSTRACT

Abstract. In this paper, we adopt a Bayesian point of view for predicting real stochastic processes. We give two equivalent definition of a Bayesian predictor and study some properties: admissibility, prediction sufficiency, unbiasedness, comparison with efficient predictors. Prediction of Poisson process and prediction of Ornstein-Uhlenbeck process in the continuous and sampled situations are considered. Various simulations illustrate comparison with non-Bayesian predictors. hal-00750263, version 1- 9 Nov 2012

研究の動機と目的

• 実数の確率的過程を予測する理論的整合性と実用的適用性を保証する厳密なベイズ的手法の開発。
• ベイズ枠組み内での許容性、予測十分性、不偏性といった主要な予測子の性質の定義と分析。
• シミュレーション研究を通じて、ベイズ予測子と非ベイズ的手法の間での予測性能の比較。
• ポアソン過程やオーランシュタイン＝オーレンパイク過程といった重要な過程に対して、連続時間およびサンプリング済みデータの両方の状況に拡張されたベイズ予測手法の展開。
• 不確実性下での確率的システムにおける意思決定を支援する、統一された理論的および実証的基盤を提供すること。

提案手法

• 事後予測分布に基づく2つの同等なベイズ予測子の定義を提案し、ベイズ推論の原則に整合するよう保証する。
• 許容性および予測十分性のための条件を導出し、それらを基礎となる確率的過程と事前分布の構造と関連付ける。
• 強共役事前分布を用いて強度パラメータをモデル化することで、ポアソン過程にベイズ枠組みを適用し、事後予測分布を計算する。
• ガウス過程事前分布を用いてオーランシュタイン＝オーレンパイク過程にアプローチし、潜在状態の周辺化を用いて予測分布を導出する。
• 平均二乗誤差および信頼区間のカバレッジ確率の観点から、ベイズ予測子と古典的非ベイズ推定器を比較するためのシミュレーション研究を実施する。
• 連続的およびサンプリング観測の両方の設定で数値実験を実施し、ベイズ予測手法の頑健性と効率性を検証する。

実験結果

リサーチクエスチョン

• RQ1 一般の確率的過程に対して、ベイズ予測子を形式的に定義する方法は何か？ その主要な理論的性質は何か？
• RQ2 確率的過程の予測において、ベイズ予測子と非ベイズ予測子の間で、精度と効率性の点でどのような違いが生じるか？
• RQ3 連続的およびサンプリング観測の両方の状況下で、ポアソン過程の予測においてベイズアプローチはどのように機能するか？
• RQ4 オーランシュタイン＝オーレンパイク過程のベイズ予測において、共役事前分布を用いることの意味は何か？
• RQ5 異なる確率的過程およびサンプリング方式において、ベイズ予測子は不偏性および許容性をどの程度維持するか？

主な発見

• 提案された2つのベイズ予測子の定義は数学的に同等であり、観測データを用いた信念の更新というベイズの原則に整合する。
• 正則性条件下では、ベイズ予測子は許容性を示す。これは、リスクの観点で他の予測子が常にそれを上回らないことを意味する。
• シミュレーションにより、小標本または高ノイズ環境下でも、ベイズ手法が非ベイズ手法に比べてより高い予測精度を示すことが確認された。特に平均二乗誤差が低くなる。
• ポアソン過程では、共役事前分布の使用により解析的扱いが可能となり、事後予測分布の効率的計算が可能になる。
• オーランシュタイン＝オーレンパイク過程のケースでは、希なまたは不規則にサンプリングされたデータでも、ベイズ枠組みが安定的かつ適切にキャリブレーションされた予測区間を提供する。
• シミュレーションの結果、さまざまな状況や過程タイプにおいて、ベイズ予測子が良好な頻度的性質（適切なカバレッジ率）を維持することが確認された。