[論文レビュー] Extending INLA to a class of near-Gaussian latent models

Thiago G. Martins, Rue, Håvard|arXiv (Cornell University)|Oct 4, 2012

Gaussian Processes and Bayesian Inference参考文献 11被引用数 7

ひとこと要約

この論文は、非ガウス型の潜在成分をガウス分布で近似し、尤度関数に特化した補正項を導入することで、近ガウス型の潜在モデルへの統合ネストラス近似（INLA）手法の拡張を提案する。この手法により、ガンマ frailty やスルーディアスの t 分布などの非ガウス型のランダム効果を含むモデルに対し、MCMC と同等の精度をわずか数分の１以下の計算時間で達成する高速で正確なベイズ推論が可能になる。

ABSTRACT

This work extends the Integrated Nested Laplace Approximation (INLA) method to latent models outside the scope of latent Gaussian models, where independent components of the latent field can have a near-Gaussian distribution. The proposed methodology is an essential component of a bigger project that aim to extend the R package INLA (R-INLA) in order to allow the user to add flexibility and challenge the Gaussian assumptions of some of the model components in a straightforward and intuitive way. Our approach is applied to two examples and the results are compared with that obtained by Markov Chain Monte Carlo (MCMC), showing similar accuracy with only a small fraction of computational time. Implementation of the proposed extension is available in the R-INLA package.

研究の動機と目的

• 潜在ガウス型モデルを超えて、近ガウス型の分布をとる潜在成分を含むモデルに INLA フレームワークを拡張すること。
• 学生の t 分布やガンマ分布に従うランダム効果を含むモデルに対して、MCMC の代替として計算効率の高い手法を提供すること。
• R-INLA におけるモデル拡張を可能にするために、潜在成分におけるガウス仮定の柔軟な検証をユーザーに可能にする。
• 歪度や尖度を補正できる分布を扱えるようにしつつ、INLA の精度と高速性を維持すること。
• ガンマフレイリティを伴う生存モデルやロバストな混合効果モデルのような複雑なモデルの実用的適合を可能にすること。

提案手法

• 非ガウス型の潜在成分をガウス分布で近似することで、INLA のコア構造を保持する。
• 潜在フィールドにおける正規性からの逸脱を補正するため、尤度関数に補正項を導入する。
• 補正項を尤度関数に組み込むために、応答ベクトルに擬似観測成分を追加する。
• 近似を安定化させるために、低精度（例：精度 = exp(-5)）を持つ「i.i.d.」ランダム効果として非ガウス型の潜在成分をモデル化する。
• ラプラス近似と事後分布の周辺計算を含む既存の INLA インfraストラクチャを活用し、新たな尤度構造に適応する。
• 既存の INLA の精度診断ツールや制御メカニズムとの互換性を保証する。

実験結果

リサーチクエスチョン

• RQ1 学生の t 分布や対数ガンマ分布などの非ガウス型だが近ガウス型の分布をとる潜在モデルに対し、INLA を拡張できるか。
• RQ2 潜在成分が正規性から逸脱する場合に、INLA のガウス近似をどのように補正すれば精度を維持できるか。
• RQ3 提案手法は、非ガウス型の潜在モデルに対して、MCMC と同等の精度を達成しながら、計算時間を著しく短縮できるか。
• RQ4 このアプローチは、R-INLA パッケージ内でユーザーフレンドリーに実装可能であり、実用的なモデル拡張を可能にするか。
• RQ5 対数凸でない尤度関数（例：学生の t 混合効果モデル）に対しても、この手法の計算的・数値的安定性は保たれるか。

主な発見

• 提案手法により、ガンマフレイリティを伴う生存モデルや、学生の t 分布に従うランダム効果を含むロバストな混合効果モデルなど、近ガウス型の潜在モデルに対する正確なベイズ推論が可能になった。
• 長時間の MCMC ルンと比較して、事後周辺分布や要約統計量の精度が極めて高く、特に裾確率の推定において優れた性能を示した。
• 計算時間は MCMC の数分の１程度で、MCMC と同等の精度を達成しており、顕著な高速性の優位性が裏付けられた。
• 事後予測チェックや収束診断などの INLA の既存の精度評価ツールとも互換性があり、信頼性の高い推論が可能である。
• 非対数凸尤度関数に対しても、学生の t 混合効果モデルの事例で良好な性能を示し、複雑な分布形に対してもロバストであることが示された。
• この拡張はすでに R-INLA パッケージに実装されており、生存モデルやロバストな混合効果モデルへの実用的応用を想定した例題コードが提供されている。