[논문 리뷰] Adaptive Multilevel Monte Carlo Approximation of Distribution Functions

Michael B. Giles, Tigran Nagapetyan외 1명|arXiv (Cornell University)|2017. 06. 21.

Probabilistic and Robust Engineering Design참고 문헌 12인용 수 7

한 줄 요약

이 논문은 목표 분포가 명시적으로 알려져 있지 않은 경우 단변량 랜덤 변수의 분포 함수를 근사하기 위한 적응형 다수준 몽테카를로 방법을 제안한다. 지표 함수의 스무딩과 적응형 보간점 및 스무딩 파라미터 선택을 결합함으로써, 보장된 수렴 속도를 확보하면서 최적의 계산 효율성을 달성하며, 경로에 독립적, 경로에 의존적, 퇴출 시간 기능 모두에서 단일 수준 방법에 비해 비용을 크게 감소시킨다.

ABSTRACT

We analyse a multilevel Monte Carlo method for the approximation of distribution functions of univariate random variables. Since, by assumption, the target distribution is not known explicitly, approximations have to be used. We provide an asymptotic analysis of the error and the cost of the algorithm. Furthermore we construct an adaptive version of the algorithm that does not require any a priori knowledge on weak or strong convergence rates. We apply the adaptive algorithm to smooth path-independent and path-dependent functionals and to stopped exit times of SDEs.

연구 동기 및 목표

• 목표 분포가 명시적으로 알려져 있지 않은 경우 분포 함수를 근사하기 위한 적응형 다수준 몽테카를로 알고리즘을 개발하기 위해.
• MLMC 설정에서 약한 수렴 및 강한 수렴 속도에 대한 사전 지식이 필요 없도록 하기 위해.
• 적응적으로 보간점 수와 스무딩 파라미터를 선택하여 주어진 정밀도에 대해 계산 비용을 최소화하기 위해.
• 핵심 알고리즘 파라미터의 적응적 선택을 포함하여 점근적 오차 및 비용 분석을 확장하기 위해.

제안 방법

• 모멘트의 순서 $ r-1 $ 까지 히브리드 함수와 일치하는 컴acts지지, 매끄러운 전이 함수 $ g $ 를 사용하여 지표 함수를 스무딩하기 위해.
• 스무딩 폭을 제어하는 $ \delta $ 를 사용하여 $ \mathbb{E}[g((Y - s_i)/\delta)] $ 를 통해 분포 함수를 근사하기 위해.
• 중첩된 이산화 수준을 가진 다수준 몽테카를로를 사용하여 스무딩된 기능의 기대값을 추정하기 위해.
• 구간 $[S_0, S_1]$ 에서 $ k $ 개의 균일한 절점 $ s_i $ 에 대한 스퍼링 보간을 적용하여 누적분포함수(CDF)를 재구성하기 위해.
• 비용을 최소화하기 위해 경험적 오차 추정치와 분산 감쇠 행동에 기반하여 $ k $ 와 $ \delta $ 를 적응적으로 조정하기 위해.
• 점근적 비용 한계와 보간 오차, 스무딩 오차, 이산화 편향, 샘플링 오차 성분으로 분해된 오차 분석을 사용하기 위해.

실험 결과

연구 질문

• RQ1 다수준 몽테카를로 방법은 수렴 속도에 대한 사전 지식이 없는 상황에서 어떻게 분포 함수를 근사하기 위해 적응적으로 조정될 수 있는가?
• RQ2 계산 비용을 최소화하기 위해 스무딩 파라미터 $ \delta $, 보간점 수 $ k $, 그리고 표본 크기 $ N_\ell $ 사이의 최적 균형은 무엇인가?
• RQ3 스무딩은 다수준 몽테카를로 추정기의 분포 함수 근사에 대해 분산 감쇠와 수렴 순서에 어떤 영향을 미치는가?
• RQ4 적응적 $ \delta $ 와 $ k $ 선택은 고정 파라미터 접근 방식에 비해 상당한 계산적 이점을 가져올 수 있는가?
• RQ5 지정된 정밀도 $ \epsilon $ 에 대해 적응 알고리즘의 점근적 비용 스케일링은 어떻게 되는가?

주요 결과

• 매끄러운 경로에 독립적인 기능에 대해 정밀도 $ \epsilon = 2^{-9} $ 에서 단일 수준 몽테카를로 대비 최대 840배의 계산적 이득을 달성한다.
• 스무딩이 $ \delta > 0 $ 인 경우 경로에 독립적인 기능의 경험적 분산 감쇠 속도가 0.5에서 0.85로 향상되어 분산과 비용을 크게 감소시킨다.
• 경로에 의존적인 기능에 대해서도 스무딩이 분산 감쇠를 0.5에서 0.85로 향상시키며, $ \epsilon = 2^{-9} $ 에서 70배의 계산적 이득을 얻는다.
• 퇴출 시간 기능에 대해서는 $ \delta $ 와 관계없이 분산 감쇠가 약 1.0에 가까운데, 스무딩은 여전히 상수를 감소시키고 효율성을 향상시킨다.
• 적응 알고리즘이 루트 평균 제곱 오차 $ \hat{e}_{\text{ML}}(\epsilon) < \epsilon $ 를 유지함으로써 정밀도 목표가 충족됨을 확인한다.
• 보간점 수와 $ 1/\delta $ 가 $ \epsilon $ 가 감소함에 따라 비례적으로 증가하며, 이는 이론적 점근적 스케일링과 일치한다.