[論文レビュー] Imprecise Continuous-Time Markov Chains: Efficient Computational Methods with Guaranteed Error Bounds

Alexander Erreygers, Jasper De Bock|arXiv (Cornell University)|Feb 23, 2017

Bayesian Modeling and Causal Inference被引用数 4

ひとこと要約

本稿では、曖昧な連続時間MCにおける非線形微分方程式の解を近似するための改善された適応的数値手法を提案し、保証された誤差境界を提供する。新規の適応的アルゴリズムは、先行手法を上回り、誤差を制御した状態分布の近似における最悪ケース収束速度を提供し、エルゴディックな連鎖に対して堅牢性を確保する。

ABSTRACT

Imprecise continuous-time Markov chains are a robust type of continuous-time Markov chains that allow for partially specified time-dependent parameters. Computing inferences for them requires the solution of a non-linear differential equation. As there is no general analytical expression for this solution, efficient numerical approximation methods are essential to the applicability of this model. We here improve the uniform approximation method of Krak et al. (2016) in two ways and propose a novel and more efficient adaptive approximation method. For ergodic chains, we also provide a method that allows us to approximate stationary distributions up to any desired maximal error.

研究の動機と目的

• 遷移レートが部分的にしか指定されていない曺間連続時間MCにおける推論を計算する課題に対処すること。
• クラークら（2016）の均一近似法に改善を加えること。この手法は、非効率で適応的でない。
• 計算コストを削減しながらも、きめ細かい誤差境界を維持する新規の適応的近似手法を開発すること。
• エルゴディック連鎖における状態分布の近似の最悪ケース収束速度を提供し、任意の所望の誤差許容範囲まで近似可能にする。

提案手法

• 曺間ダイナミクスをモデル化するために下位遷移率作用素を用い、下位期待値の時間発展を記述する非線形微分方程式を導出する。
• 誤差推定に基づいてステップサイズを調整する適応的時間ステッピング戦略を導入し、効率性と正確性を向上させる。
• 近似誤差と現在の近似の変動を追跡することで、真の解からの距離を境界付ける。
• 遷移作用素の半群性質を活用して、境界を時間的に前進に伝播させ、誤差境界の単調性を保証する。
• 現在の近似の誤差と変動の組み合わせに基づく停止基準を組み込み、所望の精度に達した時点で早期終了を可能にする。
• エルゴディック連鎖の場合、収束速度を定量化するためのエルゴディック係数を用い、定常分布に対する保証された誤差境界を計算する。

実験結果

リサーチクエスチョン

• RQ1 曺間連続時間MCで生じる非線形微分方程式の解を、効率的かつ信頼性高く近似するにはどうすればよいか？
• RQ2 計算コストを削減しながらも、近似プロセスにおけるきめ細かい誤差境界を維持する適応戦略は何か？
• RQ3 特にエルゴディック連鎖の極限において、近似が真の解に収束することを保証できるか？
• RQ4 近似手法の最悪ケース収束速度は何か？ そして、定常分布推定の誤差を境界付けるのにどう利用できるか？
• RQ5 近似を保証された誤差境界とともに早期に停止させることは可能か？ そして、計算的にどのように達成されるか？

主な発見

• 提案された適応的近似手法は、クラークら（2016）の均一法に比べ、精度と計算効率の両面で優れている。
• 誤差境界が ‖T∞f − g̃‖ ≤ 2ε の形で保証され、g̃ は現在の近似の中点である。これにより、信頼性の高い推論が可能になる。
• エルゴディック連鎖では、定常分布の近似が真の定常分布に収束し、最悪ケース収束速度が明確に定量化されている。
• 誤差と変動の合計が閾値未満に下がった段階で、近似を早期に停止させることができ、最終的な誤差がユーザーが定めた境界内に収まる。
• 理論的結果は頑健である：過去のバージョンにおける誤った命題を是正した後も、主な貢献はすべて有効であり、反例と見直しの証明によって裏付けられている。