[論文レビュー] Large deviations principle for the Adaptive Multilevel Splitting Algorithm in an idealized setting

Charles-Édouard Bréhier|arXiv (Cornell University)|Feb 24, 2015

Stochastic processes and statistical mechanics参考文献 15被引用数 4

ひとこと要約

この論文は、条件付きサンプリングが正確である理想化された設定において、適応的マルチレベルスプリッティング（AMS）アルゴリズムの大偏差原理（LDP）を確立する。$ n \to \infty $ のとき、推定量の対数モーメント生成関数が選択パラメータ $ k $ に依存しないレート関数に収束することを証明し、漸近的効率性を示し、漸近的分散分析を超えた適応的および非適応的スプリッティング手法の比較の理論的基盤を提供する。

ABSTRACT

The Adaptive Multilevel Splitting (AMS) algorithm is a powerful and versatile method for the simulation of rare events. It is based on an interacting (via a mutation-selection procedure) system of replicas, and depends on two integer parameters: n $\in$ N * the size of the system and the number k $\in$ {1, . . . , n -- 1} of the replicas that are eliminated and resampled at each iteration. In an idealized setting, we analyze the performance of this algorithm in terms of a Large Deviations Principle when n goes to infinity, for the estimation of the (small) probability P(X extgreater{} a) where a is a given threshold and X is real-valued random variable. The proof uses the technique introduced in [BLR15]: in order to study the log-Laplace transform, we rely on an auxiliary functional equation. Such Large Deviations Principle results are potentially useful to study the algorithm beyond the idealized setting, in particular to compute rare transitions probabilities for complex high-dimensional stochastic processes.

研究の動機と目的

• 稀な事象のシミュレーションのための適応的マルチレベルスプリッティング（AMS）アルゴリズムの漸近的性能を厳密に分析すること。
• 条件付きサンプリングが正確である理想化された設定において、AMS推定量の大偏差原理（LDP）を確立すること。
• 大偏差理論を用いて、適応的AMSアルゴリズムとクレイジー・モンテカルロおよび非適応的バージョンの効率性を比較すること。
• 特に高次元または複雑な確率過程において、漸近的分散を超えたAMSの挙動を理解するための理論的枠組みを提供すること。

提案手法

• 解析は、[BLR15]で導入された関数方程式技法に依拠しており、AMS推定量の対数ラプラス変換を研究するために用いられる。
• 証明は、しきい値 $ x $ における推定量のモーメント生成関数を符号化する生成関数 $ \Gamma_{n,k}(\lambda; x) $ を含む方程式系を構築する。
• $ n \to \infty $ のとき、この方程式系は、関数方程式の解によってレート関数を定義する極限系に収束する。
• 選択されたリプリカの経験的分布の $ k $ 階モーメントの収束が、推定量の極限的挙動を導出するために用いられる。
• アルゴリズムにおける反復回数が $ k=1 $ のとき漸近的にポisson分布に従うという事実を活用し、解析を簡略化する。
• $ k > 1 $ の場合、選択プロセスの再帰的構造を用い、選択されたリプリカの重み付きモーメントのための方程式系を導出する。

実験結果

リサーチクエスチョン

• RQ1 適応的マルチレベルスプリッティングアルゴリズムは、リプリカ数 $ n \to \infty $ のとき大偏差原理を満たすか？
• RQ2 AMS推定量のレート関数は選択パラメータ $ k $ にどのように依存するか？
• RQ3 LDPを用いて、漸近的分散分析を超えて、適応的および非適応的マルチレベルスプリッティングアルゴリズムの効率性を比較できるか？
• RQ4 条件付きサンプリングが正確な理想化された設定において、推定量のモーメント生成関数の極限的挙動は何か？

主な発見

• 理想化された設定において、$ n \to \infty $ のときAMS推定量の大偏差原理が成立し、そのレート関数は選択パラメータ $ k $ に依存しない。
• $ k = 1 $ のとき、反復回数はポアソン分布に従い、レート関数の導出を簡略化する。
• $ k > 1 $ の場合、推定量のモーメント生成関数に適用された関数方程式技法を用いてレート関数が導出される。
• 極限のレート関数は、選択されたリプリカの $ k $ 階モーメントを含む方程式系の解によって決定される。
• 選択されたリプリカの経験的測度が決定的極限に収束することにより、LDPの存在が保証される。
• 結果は、適応的AMSアルゴリズムが最適な大偏差性能を達成しており、極限において非適応的バージョンと同一のレート関数を示す可能性を示唆している。