[論文レビュー] Overview of Approximate Bayesian Computation

Scott A. Sisson, Yanan Fan+1 more|arXiv (Cornell University)|Feb 27, 2018

Markov Chains and Monte Carlo Methods参考文献 86被引用数 29

ひとこと要約

この論文は、尤度関数が計算不能または計算コストが高いために評価が困難な状況におけるベイズ推論のための、尤度フリーな手法である近似ベイズ計算（ABC）について包括的な概説を提供している。ABCは、さまざまなパラメータ値のもとでモデルからデータをシミュレートし、観測データに近いデータを生成するものを採用することで、明示的な尤度評価なしに事後分布を近似可能にする。

ABSTRACT

This Chapter, "Overview of Approximate Bayesian Computation", is to appear as the first chapter in the forthcoming Handbook of Approximate Bayesian Computation (2018). It details the main ideas and concepts behind ABC methods with many examples and illustrations.

研究の動機と目的

• 尤度関数が計算不能または評価に計算コストがかかる場合のベイズ推論の実用的解決策としてABCを導入すること。
• 直感的で例に基づいた説明を通じて、拒否採用に基づくアプローチを焦点に、ABCの基本的原則を説明すること。
• ABCの手法的シンプルさと、多様な科学分野への広範な適用可能性を強調すること。
• 尤度評価が不可能な状況において、標準的なMCMCやSMC手法の代替としてABCを位置づけること。
• 研究者が、従来のベイズ計算が失敗するような複雑なモデルにおいてABCを活用できるよう、基礎的知識を提供すること。

提案手法

• ABCは拒否採用メカニズムを用いる：事前分布からパラメータ値をシミュレートし、モデルから合成データセットを生成する。
• 距離尺度と許容誤差に基づいて、シミュレートされたデータが観測データと十分に近い場合に、提案されたパラメータを受理する。
• 受理されたパラメータは、尤度が計算不能であっても、事後分布を近似するサンプルを形成する。
• 次元削減と効率向上のため、特に高次元データ設定においては要約統計量に依存する。
• アルゴリズムは、d(s(y_sim), s(y_obs)) ≤ ε を満たす場合にのみパラメータθを受理することで、形式的に定義される。ここでs(⋅)は要約統計量、εは許容誤差閾値である。
• 予測マッチングとデータ拡張技術を用いて、尤度定数が計算不能なモデル、欠損データ、部分的に観測されたデータセットに対してもABCを拡張可能である。

実験結果

リサーチクエスチョン

• RQ1 尤度関数が計算不能または計算コストが高いために評価が困難な状況で、どのようにベイズ推論を実行できるか？
• RQ2 複雑なモデルにおける近似ベイズ計算（ABC）の核心的原則と実用的実装は何か？
• RQ3 どの科学分野で、尤度の計算不能性のためABCが特に有効であるか？
• RQ4 制御された近似誤差を導入しながらも、ABCはどのようにモデルの現実性を維持するか？
• RQ5 現代の統計的応用において、基本的なABCアルゴリズムの限界と拡張は何か？

主な発見

• ABCは、尤度評価が計算不能なモデル、例えば大規模なゲノムデータセットや尤度定数が計算不能なモデルにおいても、ベイズ推論を可能にする。
• 確率的シミュレーションや暗黙の尤度で定義されるモデル、例えば人口遺伝学、生態学、システム生物学においても有効である。
• 進化的生物学、疫学、ファイナンシャルモデリング、画像解析など、多様な分野にわたり、ABCは成功裏に応用されている。
• 要約統計量と許容誤差の使用により、ABCは高次元データにもスケーリング可能であり、妥当な計算効率を維持できる。
• ABCは推論の他に、事前分布の選定やモデルの検証にも利用可能であり、ベイズワークフロー全体における有用性が向上する。
• そのシンプルさにもかかわらず、ABCは現代のベイズ統計における標準的ツールとなり、広範な採用と科学的研究への統合が進んできた。