[論文レビュー] On Bayesian inference for the M/G/1 queue with efficient MCMC sampling

Alexander Y. Shestopaloff, Radford M. Neal|arXiv (Cornell University)|Jan 22, 2014

Markov Chains and Monte Carlo Methods参考文献 10被引用数 17

ひとこと要約

本稿では、観測データとしての間隔発車時刻を用いて、M/G/1 キューイングモデルにおけるベイズ推論のための効率的な MCMC サンプリング手法を提案する。新たに導入された「シフト」と「スケール」メトロポリス更新に加え、隠れ到着時刻のためのギブスサンプリングを組み合わせることで、標準的な MCMC に比べて 60 から 180 倍の高速化を達成し、近似ベイズ計算（ABC）に依存せずに正確な事後分布推定を可能にする。

ABSTRACT

We introduce an efficient MCMC sampling scheme to perform Bayesian inference in the M/G/1 queueing model given only observations of interdeparture times. Our MCMC scheme uses a combination of Gibbs sampling and simple Metropolis updates together with three novel "shift" and "scale" updates. We show that our novel updates improve the speed of sampling considerably, by factors of about 60 to about 180 on a variety of simulated data sets.

研究の動機と目的

• 間隔発車時刻の観測のみを用いて、M/G/1 キューイングモデルにおける正確なベイズ推論を可能にすること。
• 正確な事後分布からのサンプリングが得られない近似ベイズ計算（ABC）の限界を克服すること。
• パラメータと隠れ到着時刻を同時にターゲットとする新規の更新手法を導入することで、MCMC サンプリングの効率を向上させること。
• MCMC ステートに隠れ変数（到着時刻）を組み込むことで、混合速度の向上とより正確な事後分布サンプリングが可能になることを示すこと。
• 一般サービス時間分布を有するキューイングモデルに対しても、MCMCに基づく推論の適用範囲を拡張すること。

提案手法

• 間隔到着時刻を隠れ変数（V_i）として扱い、モデルパラメータ（θ = (θ₁, θ₂, θ₃)）と同時に MCMC でサンプリングする。
• 他の V_j、θ、観測された間隔発車時刻 y を条件として、各 V_i をギブスサンプリングで更新する。
• 位置パラメータ（θ₁）のための新規メトロポリス「シフト」更新と、スケールパラメータ（θ₂）および到着レート（θ₃）のための 2 つの「スケール」更新を導入する。
• 到着時刻のマルコフ構造を活用し、θ とすべての V_i を同時に変更するメトロポリス・ハスティングス・グリーン更新を適用する。
• 完全条件付き更新に用いる同時事後密度 π(v, θ | y) ∝ π(θ) × P(v₁|θ) × ∏_{i=2}^n P(v_i|v_{i-1},θ) × ∏_{i=1}^n P(y_i|v_i, x_{i-1},θ) を使用する。
• 混合状態と収束性の評価にスプライシングとトレースプロットを用い、基本的な MCMC スキームと性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 間隔発車時刻のみが観測可能な場合に、M/G/1 キューイングモデルに対して効率的な MCMC サンプリングが可能か。
• RQ2 新規の「シフト」と「スケール」MCMC 更新は、標準的なギブスおよびメトロポリス更新と比較して、混合速度と収束速度をどの程度向上させるか。
• RQ3 MCMC ステートに隠れ到着時刻（V_i）を組み込むことで、キューイングモデルのベイズ推論におけるサンプリング効率はどの程度向上するか。
• RQ4 ABC に基づく推論と比較して、提案手法はサンプリングの正確性と計算効率の両面で優れているか。
• RQ5 この MCMC フレームワークは、一様分布を超える他のサービス時間分布に対しても拡張可能か。

主な発見

• 提案手法の MCMC スキームは、さまざまなシミュレートデータセットにおいて、基本的な MCMC 手法に比べて 60 から 180 倍のサンプリング効率の向上を達成した。
• 新規の「シフト」と「スケール」更新は、自己相関時間の短縮と収束速度の向上を顕著に実現し、特に頻繁な到着やまれな到着の状況で顕著である。
• 頻繁な到着の状況では、すべての V_i と θ₃（レートパラメータ）を同時に更新することで、最大の効率向上が得られ、これは事後分布が広がっても集中しているためである。
• まれな到着の状況では、V_i と θ₁ もしくは θ₂（位置パラメータ）を同時に更新することで顕著な効率向上が得られ、これは事後分布が広がっても条件付きで集中しているためである。
• 本手法は、ABC に依存せず、正確な事後分布からのサンプリングを可能にする。
• 関数の同時密度が低次元の十分統計量を用いて表現可能な限り、他の位置スケール型サービス時間分布へもフレームワークを拡張可能である。