[論文レビュー] Continuous-time importance sampling : Monte Carlo methods which avoid time-discretisation error

Krzysztof Łatuszyński, Gareth O. Roberts+2 more|arXiv (Cornell University)|Jan 1, 2012

Bayesian Methods and Mixture Models参考文献 12被引用数 8

ひとこと要約

この論文は、連続時間マーカフ過程、特に拡散過程のモンテカルロシミュレーションにおいて、時間離散化誤差を排除する連続時間逐次重要度サンプリング（CIS）アルゴリズムを導入する。真の遷移密度に対して絶対連続な提案密度を構築することにより、CISは、従来のEAのような制限の厳しい仮定を必要とせず、オンラインで不偏推定を可能にする。

ABSTRACT

In this paper we develop a continuous-time sequential importance sampling (CIS) algorithm which eliminates time-discretisation errors and provides online unbiased estimation for continuous time Markov processes, in particular for diffusions. Our work removes the strong conditions imposed by the EA and thus extends significantly the class of discretisation error-free MC methods for diffusions. The reason that CIS can be applied more generally than EA is that it no longer works on the path space of the SDE. Instead it uses proposal distributions for the transition density of the diffusion, and proposal distributions that are absolutely continuous with respect to the true transition density exist for general SDEs.

研究の動機と目的

• 連続時間マーカフ過程のモンテカルロ法における時間離散化誤差を排除すること。
• 既存のアプローチの制限された条件を超えて、離散化誤差のないモンテカルロ法の適用範囲を拡大すること。
• パス空間の仮定を必要とせず、一般の確率微分方程式（SDE）に対してオンラインで不偏推定を可能にすること。
• 一般のSDEに対して、提案密度が真の遷移密度に対して絶対連続であるような枠組みを構築すること。
• 時間離散化されたモンテカルロ法に対する実用的で理論的にも妥当な代替手法を提供すること、特に拡散過程において。

提案手法

• 本手法は、拡散過程の遷移密度に対して、真の遷移密度に対して絶対連続な提案密度を構築する。
• 従来のEAのような手法とは異なり、SDEのパス空間上で作業しないため、構造的制約を軽減する。
• 連続時間における逐次重要度サンプリングを用いることで、期待値のリアルタイム、オンライン推定が可能になる。
• 提案分布は、一般のSDEに対して計算的に実行可能で、解析的に取り扱いやすいように設計されている。
• 本手法は、真の遷移法則に対して絶対連続な測度の存在に依存しており、これは広範なSDEのクラスで確立されている。
• このアプローチにより、得られるモンテカルロ推定量は不偏であり、時間離散化バイアスが存在しない。

実験結果

リサーチクエスチョン

• RQ1 時間離散化誤差を回避しつつ、計算の実行可能性を保ちながら、拡散過程のためのモンテカルロ法を開発できるか？
• RQ2 提案密度にどのような条件を課すと、得られる推定量が不偏であり、離散化バイアスが存在しないか？
• RQ3 EAフレームワークの制限された仮定を超えて、一般のSDEにまで本手法を拡張できるか？
• RQ4 CISアルゴリズムは、既存の離散化誤差のない手法と比べて、どのような意味でより一般化されているか？
• RQ5 一般のSDEにおいて、真の遷移密度に対して絶対連続な提案密度が存在する理論的根拠は何か？

主な発見

• CISアルゴリズムは、連続時間マーカフ過程のモンテカルロ推定において、時間離散化誤差を効果的に排除した。
• パス空間の制約を避けることにより、従来の手法（例：EA）と比較して、はるかに広いSDEのクラスに適用可能である。
• 一般のSDEに対して、真の遷移密度に対して絶対連続な提案密度が存在することが示され、本手法の一般応用可能性が裏付けられた。
• 得られるモンテカルロ推定量は不偏であり、オンライン計算が可能であるため、リアルタイム応用に適している。
• 本フレームワークは、ドリフト項や拡散係数に強い仮定を必要とせず、離散化誤差のない推定量を構築する理論的基盤を提供する。
• パス空間手法が失敗する状況でも、適切に構築された提案密度を用いることで、連続時間における不偏推定が達成可能であることが示された。