自适应MCMC可以信任吗?


20

我正在阅读有关自适应MCMC的信息(例如,参见《马尔可夫链蒙特卡洛手册》第4章,布鲁克斯等人,2011年;Andrieu和Thoms,2008年)。

np(n)limnp(n)=0

该结果是(后验的)直观的,渐近的。由于适应量趋于零,因此最终不会与遍历无关。我担心的是有限的时间会发生什么。

  • 我们如何知道在给定的有限时间内适应性并不会破坏遍历性,并且采样器正在从正确的分布中采样?如果完全有道理,一个人应该做多少磨合以确保早期适应不会使链条产生偏差?

  • 该领域的从业者是否信任自适应MCMC?我问的原因是因为我已经看到许多最近的方法,这些方法尝试以已知的其他各种更复杂的方式(包括再生整体方法)以其他更复杂的方式建立适应性(例如,选择过渡是合法的)取决于其他平行链状态的运算符)。可替代地,仅在老化期间(例如在Stan中)执行调整,而不在运行时执行。所有这些努力向我暗示,罗伯茨和罗森塔尔的自适应MCMC(实施起来非常简单)并不可靠;但也许还有其他原因。

  • 那么具体的实现又如何呢?比如自适应都市(Hario等,2001)?


参考文献


1
+1,但是即使对于非自适应MCMC也有有限时间保证吗?
Juho Kokkala

2
@JuhoKokkala:可能不是,但是似乎在自适应MCMC中,它又增加了一层可能的失败模式,与标准的收敛问题相比,这种失败模式较难理解且难以检查(本质上已经很难诊断)。至少,这就是我对从业者(我为一个人)会对此保持警惕的原因的理解。
–lacerbi

1
我认为在老化过程中进行适应是应对适应的最佳方法。显然,如果您的后部某些区域需要与其他区域不同的调音,那么您会遇到问题,但是如果是这样,那么如果您运行完全自适应的MCMC,则无论如何都会因为条件消失而无法进行很大的调整。 。
sega_sai

Answers:


2

我们怎么知道在给定的有限时间内适应性并不会破坏遍历性,并且采样器正在从正确的分布中采样?如果说得通的话,应该做多少磨合以确保早期适应不会使链条产生偏差?

遍历性和偏向性是关于马尔可夫链的渐近性质的,它们并没有说明马尔可夫链的行为和分布at a given finite time。适应性与该问题无关,任何MCMC算法都可能产生远离目标的仿真at a given finite time


1
(+1)感谢您的澄清。是的,我知道MCMC算法不能保证at a given finite time。但是,实际上,我们的确使用它们,就像它们在给定的有限时间内提供目标分布的良好/合理近似值一样,即使在大多数情况下也没有理论上的保证(AFAIK在数学上只能理解少数情况)。也许我应该说“搞混时间 ”?这更接近我的意思。如果您对如何解决该语言有任何建议,请告诉我。
–lacerbi
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.