[논문 리뷰] INLA or MCMC? A Tutorial and Comparative Evaluation for Spatial Prediction in log-Gaussian Cox Processes

Benjamín M. Taylor, Peter J. Diggle|arXiv (Cornell University)|2012. 02. 08.

Statistical Methods and Bayesian Inference참고 문헌 20인용 수 4

한 줄 요약

이 논문은 시뮬레이션 연구를 통해 로그정규 코크스 과정에서 베이지안 공간 예측을 위한 마르코프 체인 몬테카를로(MCMC)와 통합 내재 라플라스 근사(INLA)를 비교한다. 예측 정확도와 계산 속도를 평가한다. INLA는 빠른 런타임(4분 대비 100,000번의 MALA 반복에 20분)을 보였지만, MCMC는 더 높은 예측 정확도를 달성했으며, 중앙값 MSE는 INLA2 대비 3배 낮고 INLA3 대비 1.1배 낮았다. 이는 이 맥락에서 INLA가 더 빠르고 더 견고하다는 일반적인 가정을 도전한다.

ABSTRACT

We investigate two options for performing Bayesian inference on spatial log-Gaussian Cox processes assuming a spatially continuous latent field: Markov chain Monte Carlo (MCMC) and the integrated nested Laplace approximation (INLA). We first describe the device of approximating a spatially continuous Gaussian field by a Gaussian Markov random field on a discrete lattice, and present a simulation study showing that, with careful choice of parameter values, small neighbourhood sizes can give excellent approximations. We then introduce the spatial log-Gaussian Cox process and describe MCMC and INLA methods for spatial prediction within this model class. We report the results of a simulation study in which we compare MALA and the technique of approximating the continuous latent field by a discrete one, followed by approximate Bayesian inference via INLA over a selection of 18 simulated scenarios. The results question the notion that the latter technique is both significantly faster and more robust than MCMC in this setting; 100,000 iterations of the MALA algorithm running in 20 minutes on a desktop PC delivered greater predictive accuracy than the default \verb=INLA= strategy, which ran in 4 minutes and gave comparative performance to the full Laplace approximation which ran in 39 minutes.

연구 동기 및 목표

• 공간 로그정규 코크스 과정에서의 베이지안 추론을 위한 MCMC와 INLA를 객관적으로 비교하기 위해.
• 공간 예측에서 계산 속도와 예측 정확도 사이의 상호 상충 관계를 평가하기 위해.
• MCMC의 渐近적으로 정확한 추론에 비해 INLA의 근사치가 얼마나 신뢰할 수 있는지 평가하기 위해.
• 공간 모델에서 잠재 가우시안 과정의 추론 기술적 측면에 대한 가이드라인 제공하기 위해.
• 이 설정에서 INLA가 MCMC보다 더 빠르고 더 견고하다는 일반적인 가정을 도전하기 위해.

제안 방법

• 정규 격자상의 가우시안 마르코프 무작위필드(GMRF)를 사용해 공간 연속 가우시안 과정를 근사하고, 시뮬레이션을 통해 검증한다.
• 잠재 필드에 대한 MCMC 추론을 위해 메트로폴리스 조정 랑주 방식(MALA)을 사용하며, 각 시뮬레이션에 대해 100,000회 반복한다.
• 세 가지 변형(INLA의 기본 설정, 전체 라플라스 근사, 수정된 INLA2 전략)을 사용해 GMRF 근사에 대해 INLA를 적용한다.
• 18개의 시뮬레이션 시나리오에서 예측 확률 추정치의 평균 제곱오차(MSE)를 사용해 예측 성능을 평가한다.
• 고정된 공간 강도 함수 λ₁(s)와 λ₂(s)를 기반으로 결과를 비교하여 정확도와 편향을 평가한다.
• 모든 방법을 R 패키지 lgcp에 구현하며, INLA 통합은 래퍼 함수를 통해 수행한다.

실험 결과

연구 질문

• RQ1 공간 로그정규 코크스 과정에서 INLA는 MCMC보다 더 정확한 예측 확률을 제공하는가?
• RQ2 공간 예측에 사용될 때 INLA의 계산 속도는 MCMC에 비해 어떻게 비교되는가?
• RQ3 INLA의 근사치는 MCMC의 渐近적으로 정확한 추론에 비해 얼마나 편향을 유발하는가?
• RQ4 예측 결과는 공간 강도 함수의 선택(λ₁(s) 대비 λ₂(s))에 얼마나 민감한가?
• RQ5 연속 가우시안 필드의 GMRF 근사는 공간 예측을 위한 신뢰할 수 있는 추론을 가능하게 하는가?

주요 결과

• 100,000회 반복한 MALA가 기본 INLA 전략(4분 소요)보다 더 높은 예측 정확도를 달성했다.
• 모든 18개 시나리오에서 MALA와 INLA2의 MSE 상대적 증가 중앙값은 3이었으며, 이는 MCMC의 예측 정확도가 뛰어남을 시사한다.
• 고정된 공간 강도 λ₂(s)에 대해 MALA는 INLA3보다 중앙값 MSE 증가율 1.37로 우수했고, λ₁(s)에 대해서는 INLA3가 중앙값 증가율 0.87로 더 우수했다.
• INLA의 속도 우위에도 불구하고, MALA는 공간 영역의 중심부에서 예측 확률 추정에 더 적은 편향을 보였다.
• INLA2 방법은 공간 영역의 중심에서 눈에 띄는 상향 편향을 보였으며, 이는 근사치에 체계적인 오류가 있음을 시사한다.
• 39분 소요된 전체 라플라스 근사 방법은 INLA와 유사한 성능을 보였으며, 이는 이 설정에서 INLA의 빠른 속도가 정확도 손실을 동반하지 않음을 시사한다.