[논문 리뷰] Simulating bridges using confluent diffusions

Paul A. Jenkins, Murray Pollock외 2명|arXiv (Cornell University)|2019. 03. 25.

Markov Chains and Monte Carlo Methods참고 문헌 38인용 수 4

한 줄 요약

이 논문은 융합 확산을 사용하여 에르고딕 확산의 다리를 시뮬레이션하기 위한 정확하고 선형 시간 복잡도의 마르코프 체인 몬테카를로 알고리즘을 제안한다. ε-강한 브라운 운동 시뮬레이션, 경로공간 기반의 기각 샘플링, 그리고 단순한 확산 브릿지 방법을 조합함으로써, 브릿지 지속 시간에 비례하는 선형 계산 비용으로 편향 없는 샘플링을 달성하며, 궤적의 극값에 대한 경계를 제공한다. 이는 장기적인 시나리오에서 기존 방법보다 뛰어난 성능을 보인다.

ABSTRACT

Diffusions are a fundamental class of models in many fields, including finance, engineering, and biology. Simulating diffusions is challenging as their sample paths are infinite-dimensional and their transition functions are typically intractable. In statistical settings such as parameter inference for discretely observed diffusions, we require simulation techniques for diffusions conditioned on hitting a given endpoint, which introduces further complication. In this paper we introduce a Markov chain Monte Carlo algorithm for simulating bridges of ergodic diffusions which (i) is exact in the sense that there is no discretisation error, (ii) has computational cost that is linear in the duration of the bridges, and (iii) provides bounds on local maxima and minima of the simulated trajectory. Our approach works directly on diffusion path space, by constructing a proposal (which we term a confluence) that is then corrected with an accept/reject step in a pseudo-marginal algorithm. Our method requires only the simulation of unconditioned diffusion sample paths. We apply our approach to the simulation of Langevin diffusion bridges, a practical problem arising naturally in many situations, such as statistical inference in distributed settings.

연구 동기 및 목표

• 시간 이산화 방법에서 발생하는 이산화 오차를 피하는 정확한 확산 브릿지 시뮬레이션 방법을 개발하는 것.
• 기존 방법이 지수적 증가를 보이는 것과는 달리, 브릿지 지속 시간에 대해 선형 스케일링을 유지하는 계산 효율성 확보.
• 모의 궤적의 국소 최대값 및 최소값에 대해 거의 확실한 경계를 제공하여 경로에 의존하는 양의 정확한 계산 가능하게 하는 것.
• 특히 먼 종점 간 거리에서 성능이 저하되는 기존 방법들과는 달리, 장기 지속 브릿지의 효율적 시뮬레이션을 가능하게 하는 것.
• 효율적 브릿지 샘플링을 통해 다수의 데이터 소스를 통합하여 일관된 베이지안 모델을 구성함으로써 분산 추론을 지원하는 것.

제안 방법

• 시작점에서의 경로와 종점에서의 경로를 각각 무조건적 확산 경로로 시뮬레이션한 후, 무작위로 선택된 만남 시간에 이 둘을 연결하여 '융합' 경로를 구성한다.
• 이 융합 경로를 경로공간 기반 기각 샘플링에 기반한 가짜 마진형 MCMC 알고리즘의 제안 경로로 사용한다.
• 정확한 경로 샘플링과 궤적 극값에 대한 거의 확실한 경계를 확보하기 위해 브라운 운동의 ε-강한 시뮬레이션에 의존한다.
• 블라드와 쇠렌센의 단순한 확산 브릿지 접근법을 통합하여, 무조건적 확산 시뮬레이션만을 사용함으로써 선형 시간 계산 스케일링을 유지한다.
• 기각 단계는 제안 분포를 목표 브릿지 측도에 정확히 맞추기 위해 존재하며, 이로 인해 이산화 오차가 전혀 발생하지 않는다.
• 시간 이산화 없이 연속 경로에 직접 작용하는 경로공간 기반 기각 샘플러를 사용하여 근사치를 피한다.

실험 결과

연구 질문

• RQ1 브릿지 지속 시간에 대해 선형 계산 비용을 유지하면서도 이산화 오차가 없는 정확한 확산 브릿지 시뮬레이션 방법을 구성할 수 있는가?
• RQ2 융합 기반 제안과 함께 경로공간 기반 기각 샘플링을 어떻게 조합하여 정확성과 효율성을 동시에 확보할 수 있는가?
• RQ3 근사치를 도입하지 않고도 모의 궤적의 국소 극값에 대해 거의 확실한 경계를 제공할 수 있는가?
• RQ4 기존 방법이 T 증가에 따라 성능이 저하되는 것과는 달리, 융합 제안의 성능은 브릿지 길이 증가에 따라 향상되는가?
• RQ5 이 프레임워크는 다차원 또는 점프-확산 브릿지로 확장 가능하며, 정확성과 선형 스케일링을 유지할 수 있는가?

주요 결과

• 이 알고리즘은 이산화 오차 없이 목표 확산 브릿지 측도에서 정확한 샘플링을 수행하여 통계적 타당성을 보장한다.
• 수치 실험을 통해 브릿지 지속 시간에 비례하여 계산 비용이 선형으로 증가하는 것으로 확인되었다.
• 300 단위 시간 동안의 라ング비에르 확산 브릿지에 대한 시뮬레이션에서 수용률이 97%를 초과하여 제안 분포와 목표 분포 간의 높은 일치도를 보였다.
• 모의 궤적의 국소 최대값 및 최소값에 대해 거의 확실한 경계를 제공하여, 장벽 옵션 가격과 같은 경로에 의존하는 기능의 정확한 계산이 가능하다.
• 융합 제안은 장기 브릿지에서 더욱 효과적으로 작용하며, T 증가에 따라 성능 저하를 보이는 기존 방법들과는 대조된다.
• 이 방법은 다수의 데이터 소스를 하나의 일관된 모델로 융합해야 하는 분산 베이지안 추론에 매우 적합하다.