[論文レビュー] On Feynman-Kac and particle Markov chain Monte Carlo models

Pierre Del Moral, Robert Kohn+1 more|arXiv (Cornell University)|Apr 23, 2014

Markov Chains and Monte Carlo Methods被引用数 1

ひとこと要約

本稿は、多数体のフェインマン・ファインマン・カック標的に対するギブスサンプリングを通じて、後向きおよび先祖追跡PMCMC手法の双対性を確立する、新規のフェインマン・カックおよび粒子マルコフ連鎖モンテカルロ（PMCMC）フレームワークを提示する。幾何的組合せ確率的微積分を用いて、不変測度のまわりの半群の明示的・非漸近的テイラー型展開を導出し、時間窓およびシステムサイズに関して、収束速度、収縮係数、リャプノフ指数、および条件付き粒子サンプリングのLp平均誤差分解の鋭い定量的推定値をもたらす。

ABSTRACT

This article analyses a new class of advanced particle Markov chain Monte Carlo algorithms recently introduced by Andrieu, Doucet, and Holenstein (2010). We present a natural interpretation of these methods in terms of well known unbiasedness properties of Feynman-Kac particle measures, and a new duality with many-body Feynman-Kac models. This perspective sheds a new light on the foundations and the mathematical analysis of this class of methods. A key consequence is the equivalence between the backward and ancestral particle Markov chain Monte Carlo methods, and Gibbs sampling of a many-body Feynman-Kac target distribution. Our approach also presents a new stochastic differential calculus based on geometric combinatorial techniques to derive explicit non-asymptotic Taylor type series of the semigroup of a class of particle Markov chain Monte Carlo models around their invariant measures with respect to the population size of the auxiliary particle sampler. These results provide sharp quan- titative estimates of the convergence properties of conditional particle Markov chain models with respect to the time horizon and the size of the systems. We illustrate the implication of these results with sharp estimates of the contraction coefficient and the Lyapunov exponent of conditional particle samplers, and explicit and non-asymptotic Lp-mean error decompositions of the law of the random states around the limiting invariant measure. The abstract framework developed in the article also allows the design of natural extensions to island (also called SMC2) type particle methodologies.

研究の動機と目的

• フェインマン・カック粒子測度を用いた、高度な粒子マルコフ連鎖モンテカルロ（PMCMC）アルゴリズムの理論的基盤を確立すること。
• 多数体フェインマン・カックモデルとの双対性を通じて、PMCMC手法の数学的構造を明確にすること。
• 時間窓およびシステムサイズに関して、条件付き粒子サンプラーの非漸近的収束推定値を導出すること。
• 粒子半群を分析するための、幾何的組合せ的技術に基づく確率的微積分フレームワークを構築すること。
• 提案された抽象的フレームワーク内で、アイランド（SMC2）型粒子アルゴリズムを含む拡張手法の設計を可能にすること。

提案手法

• 著者らは、偏りのないフェインマン・カック粒子測度の観点からPMCMC手法を解釈し、それらをよく知られた確率的性質と結びつける。
• 多数体フェインマン・カック標的分布に対するギブスサンプリングと同等であることを示すことにより、後向きおよび先祖追跡PMCMC手法の間の双対性を導入する。
• 粒子半群の不変測度のまわりの明示的・非漸近的テイラー型級数展開を導出するため、幾何的組合せ確率的微積分を構築する。
• このフレームワークにより、条件付き粒子サンプラーの収縮係数およびリャプノフ指数の鋭い非漸近的推定値の導出が可能になる。
• 確率的状態の法則が限界不変測度に対して持つ明示的・非漸近的Lp平均誤差分解が得られる。
• 抽象的フレームワークは、アイランド（SMC2）型粒子手法を含む自然な一般化をサポートするように拡張される。

実験結果

リサーチクエスチョン

• RQ1 後向きおよび先祖追跡粒子マルコフ連鎖モンテカルロ手法の背後にある双対性とは何か？
• RQ2 フェインマン・カック粒子測度は、PMCMCアルゴリズムを解釈・統合するためにどのように利用可能か？
• RQ3 粒子PMCMCモデルの半群をその不変測度のまわりで展開する非漸近的級数展開は、どのように導出可能か？
• RQ4 条件付き粒子サンプラーの収縮係数およびリャプノフ指数は、時間窓およびシステムサイズに対してどのようにスケーリングされるか？
• RQ5 状態の法則が不変測度に対して持つ明示的・非漸近的Lp平均誤差分解は、どのように得られるか？

主な発見

• 後向きおよび先祖追跡PMCMC手法は、多数体フェインマン・カック標的分布に対するギブスサンプリングとの双対性を通じて、形式的に同等であることが示された。
• 幾何的組合せ確率的微積分により、粒子半群の不変測度のまわりの明示的・非漸近的テイラー型級数展開が可能となった。
• 時間窓およびシステムサイズの関数として、条件付き粒子サンプラーの収縮係数およびリャプノフ指数の鋭い非漸近的推定値が導出された。
• 限界不変測度のまわりの確率的状態の法則に対する明示的・非漸近的Lp平均誤差分解が得られた。
• このフレームワークは、アイランド（SMC2）型粒子手法への自然な拡張をサポートしており、より広範なアルゴリズム的応用を可能にした。
• 結果として、条件付き粒子マルコフ連鎖モデルの収束特性を分析するための、きめ細やかで定量的な理論的基盤が提供された。