[논문 리뷰] GetDist: a Python package for analysing Monte Carlo samples

Antony Lewis|arXiv (Cornell University)|2019. 10. 30.

Forecasting Techniques and Applications참고 문헌 1인용 수 508

한 줄 요약

GetDist는 가중치가 있는 및 상관된 몬테카를로 샘플에 맞춘 커널 밀도 추정 및 시각화 도구를 제공하며 경계 처리와 곱적 편향 보정을 통해 주변 밀도 및 수렴 진단을 계산합니다.

ABSTRACT

Monte Carlo techniques, including MCMC and other methods, are widely used in Bayesian inference to generate sets of samples from a parameter space of interest. The Python GetDist package provides tools for analysing these samples and calculating marginalized one- and two-dimensional densities using Kernel Density Estimation (KDE). Many Monte Carlo methods produce correlated and/or weighted samples, for example produced by MCMC, nested, or importance sampling, and there can be hard boundary priors. GetDist's baseline method consists of applying a linear boundary kernel, and then using multiplicative bias correction. The smoothing bandwidth is selected automatically following Botev et al., based on a mixture of heuristics and optimization results using the expected scaling with an effective number of samples (defined here to account for both MCMC correlations and weights). Two-dimensional KDE uses an automatically-determined elliptical Gaussian kernel for correlated distributions. The package includes tools for producing a variety of publication-quality figures using a simple named-parameter interface, as well as a graphical user interface that can be used for interactive exploration. It can also calculate convergence diagnostics, produce tables of limits, and output in LaTeX, and is publicly available.

연구 동기 및 목표

• 몬테카를로 샘플(가중치 및 상관 샘플 포함)로부터 주변 1D 및 2D 밀도를 빠르고 견고하게 추정하는 방법을 제시한다.
• KDE에서 경직된 경계와 샘플 상관으로 인한 도전 과제를 다룬다.
• MC 샘플에 대한 실용적이고 출판 품질의 그림과 진단을 제공한다.
• 밀도 추정치를 개선하기 위한 자동 대역폭 선택 및 편향 보정 기법을 제공한다.

제안 방법

• 밀도 추정을 위해 (약간 잘린) 제로 중심 가우시안 커널로 커널 밀도 추정을 사용한다.
• 가중 샘플과 상관관계를 effective sample size와 가중치를 조정하여 KDE를 보정하고, 가중치를 포함한 밀도 추정기에 대한 명시적 식을 포함한다.
• 하드 프라이어 근처의 편향을 완화하기 위해 선형 경계 커널을 도입하고 잔류 편향을 줄이며 피크 선명도를 향상시키기 위한 곱적 편향 보정을 적용한다.
• 경계 효과를 효율적으로 다루는 ISJ 기반 방법과 이산 코사인 변환(DCT)을 포함한 자동 대역폭 선택 방법을 채택한다.
• 결과물을 출판 품질의 플롯과 LaTeX 준비 가능 출력의 실용적 프레임워크를 제공하고 탐색용 GUI를 선택적으로 제공한다.

실험 결과

연구 질문

• RQ1 가중치가 있는 상관 샘플로부터 주변 밀도를 정확하게 추정하기 위해 KDE를 어떻게 적용할 수 있는가?
• RQ2 경계 처리 및 편향 보정 전략은 하드 프라이어 근처의 신뢰할 수 있는 밀도 추정에 어떤 영향을 미치는가?
• RQ3 상관관계와 변화하는 효과 샘플 크기가 있는 상황에서 대역폭을 자동으로 어떻게 선택해야 하는가?
• RQ4 MC 샘플에서 상관관계가 KDE 오차에 미치는 영향과 KDE를 위한 효과 샘플 크기를 MC 맥락에서 어떻게 추정할 수 있는가?
• RQ5 GetDist가 MC 분석에 대해 견고하고 출판 품질의 시각화 및 수렴 진단을 제공할 수 있는가?

주요 결과

• 선형 경계 커널과 곱적 편향 보정이 적용된 KDE 기반 접근 방식은 가중치가 있는 상관 샘플에서 1D 및 2D 주변 밀도를 정확하게 산출한다.
• ISJ 기반 방법과 DCT를 이용한 자동 대역폭 선택이 대역폭 추정 속도를 높이고 경계 효과를 처리한다.
• 가중치와 MCMC 상관으로 인한 보정된 스무딩으로 효과 샘플 크기를 고려하여 밀도 추정이 개선된다.
• MC 샘플의 상관은 효과 샘플 크기를 통해 분산에 영향을 주어 KDE 오차 스케일링과 대역폭 선택에 영향을 준다.
• GetDist는 수렴 진단, 한계 표, LaTeX 출력과 상호 작용형 플롯 기능을 함께 제공한다.