[논문 리뷰] Approximate Bayesian Computation and Model Validation for Repulsive Spatial Point Processes

Shinichiro Shirota, Alan E. Gelfand|arXiv (Cornell University)|2016. 04. 24.

Point processes and geometric inequalities인용 수 3

한 줄 요약

이 논문은 근사 베이지안 계산(ABC) 프레임워크를 제안하여, Gibbs 및 결정성 점과정(DPP)과 같은 반발성 공간 점과정에 대한 피팅 및 검증을 시뮬레이션 기반 추론을 통해 수행한다. 이러한 모델에서 쉽게 시뮬레이션할 수 있고, $K$-함수와 같은 요약 통계량을 활용함으로써 ABC는 복잡한 MCMC 알고리즘의 필요성을 피하고, 수렴성과 계산 효율성 면에서 전통적인 MCMC를 능가하는 강력한 베이지안 추론 및 모델 평가를 가능하게 한다. 이는 Duke 숲 나무 데이터셋에 대한 실증 분석을 통해 입증되었으며, Strauss 및 DPP 모델의 피팅 성능이 향상됨을 보여준다.

ABSTRACT

In many applications involving spatial point patterns, we find evidence of inhibition or repulsion. The most commonly used class of models for such settings are the Gibbs point processes. A recent alternative, at least to the statistical community, is the determinantal point process. Here, we examine model fitting and inference for both of these classes of processes in a Bayesian framework. While usual MCMC model fitting can be available, the algorithms are complex and are not always well behaved. We propose using approximate Bayesian computation (ABC) for such fitting. This approach becomes attractive because, though likelihoods are very challenging to work with for these processes, generation of realizations given parameter values is relatively straightforward. As a result, the ABC fitting approach is well-suited for these models. In addition, such simulation makes them well-suited for posterior predictive inference as well as for model assessment. We provide details for all of the above along with some simulation investigation and an illustrative analysis of a point pattern of tree data exhibiting repulsion. R-code and datasets are included in the supplementary material.

연구 동기 및 목표

• Gibbs 및 결정성 점과정(DPP)과 같은 반발성 공간 점과정에서의 추정 불가능한 우도 문제를 해결하기 위해.
• 복잡한 MCMC 알고리즘과 추정 불가능한 정규화 상수를 피하는 통합된 시뮬레이션 기반 베이지안 추론 접근법을 개발하기 위해.
• 후행 예측 시뮬레이션과 몬테카를로 검정을 통해 사후 추론, 모델 점검 및 모델 비교를 가능하게 하기 위해.
• 특히 Duke 숲 나무 데이터셋을 활용한 실재 공간 데이터에 대한 적용을 통해 방법의 효과성을 입증하고, 포isson 과정보다 향상된 모델 피팅 성능을 보여주기 위해.

제안 방법

• 관측된 요약 통계량과 시뮬레이션된 요약 통계량 간의 거리 기반으로 파라미터 제안과 기각 샘플링을 사용하는 ABC-MCMC를 베이지안 추론에 활용한다.
• 관측된 점 패턴의 우도를 직접 평가하지 않고도, 주어진 파라미터 값에 기반해 Gibbs 및 DPP 모델로부터 점 패턴을 시뮬레이션한다.
• 두 번째 차수 성질을 캡처하고 관측된 패턴과 시뮬레이션된 패턴을 비교하기 위해 $K$-함수 및 $L(r)-r$과 같은 요약 통계량을 사용한다.
• 요약 통계량의 $p$-값을 사용하여 몬테카를로 검정을 적용하고, $s_r(\mathbf{y})$를 활용해 두 번째 차수 특성을 평가함으로써 모델 적합도를 평가한다.
• 기준 모델로 HPP를 사용하여, 모델 성능을 비교하기 위해 샘플 내 상대 예측 점수(RPS)를 사용한다.
• 거리 분포의 백분위수를 활용해 $\epsilon$를 선택하고, 피лот 런을 통해 ABC-MCMC의 초기화를 효율적으로 수행한다.

실험 결과

연구 질문

• RQ1 ABC는 추정 불가능한 우도를 가진 Gibbs 및 DPP 모델에 대해 MCMC에 비해 신뢰할 수 있고 계산 효율성이 높은 대안이 될 수 있는가?
• RQ2 요약 통계량을 사용할 때 ABC는 경쟁적 반발성 점과정 모델(예: Strauss 대 DPP)을 얼마나 잘 구분할 수 있는가?
• RQ3 후행 예측 점검과 요약 통계량의 $p$-값을 활용해 ABC는 모델 부적합성을 얼마나 잘 탐지할 수 있는가?
• RQ4 Strauss 과정의 다양한 파라미터화 및 반경 설정에서 모델 피팅 성능는 어떻게 변화하는가?
• RQ5 비균일한 $K$-함수를 사용함으로써 ABC 기반 추론을 비균일한 반발성 점과정으로 확장할 수 있는가?

주요 결과

• 시뮬레이션 연구에서 ABC 방법은 진짜 모델 구조를 성공적으로 복원하였으며, 사후 분포가 진짜 파라미터 값 근처에 집중되어 있음을 보였다.
• Duke 숲 데이터셋에서 $R=0.053$인 Strauss 과정이 가장 우수한 모델 피팅을 보였으며, $r=0.03$일 때 $p$-값이 0.3574, $r=0.05$일 때 0.3923로 나타나 유의미한 피팅 부족이 없음을 시사했다.
• DPP-G 및 DPP-PE 모델은 $p$-값이 약 0.18~0.28 수준으로 중간 정도의 피팅 성능를 보였으며, Strauss 모델에 비해 다소 열등한 성능임을 시사했다.
• 작은 반경($r=0.03, 0.05$)에서 HPP는 $p$-값이 각각 0.0428 및 0.0130로 거부되었으며, 이는 반발성에 강력한 증거를 제공했다.
• 샘플 내 RPS 비율은 약 1.00에 가까웠지만, $R=0.053$인 Strauss 모델이 가장 유리한 상대 성능를 보였으며, 이는 더 높은 예측 정확도를 의미했다.
• ABC-MCMC 알고리즘은 피лот 런 추정치로 초기화되었을 때 불필요한 버닝 없이 안정적인 수렴을 보였으며, 이는 계산 효율성을 향상시켰다.