[论文解读] Imprecise Continuous-Time Markov Chains: Efficient Computational Methods with Guaranteed Error Bounds

Alexander Erreygers, Jasper De Bock|arXiv (Cornell University)|Feb 23, 2017

Bayesian Modeling and Causal Inference被引用 4

一句话总结

本文提出了一种改进的自适应数值方法，用于近似求解不精确连续时间马尔可夫链中的非线性微分方程，并提供保证的误差界。该方法引入了一种新颖的自适应算法，优于以往的方法，并为近似平稳分布提供了最坏情况下的收敛速率，确保了遍历链的鲁棒性。

ABSTRACT

Imprecise continuous-time Markov chains are a robust type of continuous-time Markov chains that allow for partially specified time-dependent parameters. Computing inferences for them requires the solution of a non-linear differential equation. As there is no general analytical expression for this solution, efficient numerical approximation methods are essential to the applicability of this model. We here improve the uniform approximation method of Krak et al. (2016) in two ways and propose a novel and more efficient adaptive approximation method. For ergodic chains, we also provide a method that allows us to approximate stationary distributions up to any desired maximal error.

研究动机与目标

• 为解决在转移率仅部分指定的不精确连续时间马尔可夫链中进行推理计算的挑战。
• 改进Krak等人（2016）提出的均匀近似方法，该方法缺乏效率和自适应性。
• 开发一种新颖的自适应近似方法，以降低计算成本，同时保持严格的误差界。
• 为遍历链中平稳分布的近似提供最坏情况下的收敛速率，从而实现任意期望误差容限内的近似。

提出的方法

• 该方法使用下转移率算子来建模不精确的动力学，并推导出下期望演化的非线性微分方程。
• 引入一种自适应时间步长策略，根据误差估计调整步长，以提高效率和精度。
• 该算法同时跟踪近似误差和当前近似的变差，以界定其与真实解之间的距离。
• 利用转移算子的半群性质，向前传播边界，确保误差边界的单调性。
• 该方法结合了基于当前近似误差与变差的停止准则，当达到所需精度时可提前终止。
• 对于遍历链，该方法利用遍历系数量化收敛速度，并计算平稳分布的保证误差界。

实验结果

研究问题

• RQ1 我们如何能高效且可靠地近似求解不精确连续时间马尔可夫链中出现的非线性微分方程？
• RQ2 何种自适应策略可降低计算成本，同时在近似过程中保持严格的误差界？
• RQ3 我们能否保证近似解收敛至真实解，特别是在遍历链的极限情况下？
• RQ4 该近似方法的最坏情况收敛速率是多少，如何用于界定平稳分布估计中的误差？
• RQ5 能否在保证误差界的前提下提前停止近似，以及这在计算上如何实现？

主要发现

• 所提出的自适应近似方法在准确性和计算效率方面均优于Krak等人（2016）的均匀方法。
• 该方法提供了形式为 ‖T∞f − g̃‖ ≤ 2ε 的保证误差界，其中 g̃ 是当前近似的中点，确保了可靠的推理。
• 对于遍历链，平稳分布的近似收敛至真实平稳分布，且最坏情况下的收敛速率已量化。
• 当误差与变差的组合低于阈值时，该方法允许提前终止，确保最终误差在用户定义的范围内。
• 理论结果具有鲁棒性：即使在更正先前版本中的一个错误命题后，所有主要贡献依然有效，并由反例和修订后的证明所支持。