Trường hợp nào các điều kiện đầy đủ đến từ mẫu Gibbs?


15

Các thuật toán MCMC như lấy mẫu của Metropolis-Hastings và Gibbs là cách lấy mẫu từ các bản phân phối sau.

Tôi nghĩ rằng tôi hiểu và có thể thực hiện việc quét đô thị khá dễ dàng - bạn chỉ cần chọn điểm bắt đầu bằng cách nào đó và 'đi bộ không gian tham số' một cách ngẫu nhiên, được hướng dẫn bởi mật độ đề xuất và mật độ đề xuất. Lấy mẫu Gibbs có vẻ rất giống nhau nhưng hiệu quả hơn vì nó chỉ cập nhật một tham số tại một thời điểm, trong khi giữ cho các tham số khác không đổi, đi bộ không gian một cách hiệu quả theo kiểu trực giao.

Để làm điều này, bạn cần có điều kiện đầy đủ của từng tham số trong phân tích từ *. Nhưng những điều kiện đầy đủ này đến từ đâu? Để có được mẫu bạn cần phải cách ly các doanh trênx1. Điều đó có vẻ như là rất nhiều công việc phải phân tích nếu có nhiều tham số và có thể không thể thực hiện được nếu phân phối chung không 'rất đẹp'. Tôi nhận ra rằng nếu bạn sử dụng liên hợp trong suốt mô hình, các điều kiện đầy đủ có thể dễ dàng, nhưng phải có cách tốt hơn cho các tình huống chung hơn.

P(x1|x2, , xn)=P(x1, , xn)P(x2, , xn)
x1

Tất cả các ví dụ về lấy mẫu Gibbs mà tôi đã thấy trực tuyến sử dụng các ví dụ đồ chơi (như lấy mẫu từ một thông thường đa biến, trong đó các điều kiện chỉ là chính quy tắc), và dường như tránh được vấn đề này.

* Hay bạn cần các điều kiện đầy đủ ở dạng phân tích? Làm thế nào để các chương trình như winBUGS làm điều đó?


1
Lấy mẫu Gibbs thường kém hiệu quả hơn so với Metropolis-Hastings vì nó đi một chiều tại một thời điểm ...
Xi'an

Gibbs lấy mẫu là hiệu quả hơn ở mỗi bước cá nhân, nhưng có thể cần một khủng khiếp hơn rất nhiều bước để hội tụ - và cuối cùng kém hiệu quả cho một kết quả tổng thể tốt.
Lutz Prechelt

Câu trả lời:


7

Vâng, bạn đã đúng, phân phối có điều kiện cần được tìm thấy một cách phân tích, nhưng tôi nghĩ có rất nhiều ví dụ trong đó phân phối có điều kiện đầy đủ dễ tìm và có hình thức đơn giản hơn nhiều so với phân phối chung.

Trực giác cho điều này là như sau, trong hầu hết các phân phối chung "thực tế" , hầu hết các X i thường không phụ thuộc điều kiện vào hầu hết các biến ngẫu nhiên khác. Điều đó có nghĩa là, một số biến có tương tác cục bộ , giả sử X i phụ thuộc vào X i - 1X i + 1 , nhưng không tương tác với mọi thứ, do đó các phân phối có điều kiện nên đơn giản hóa đáng kể như P r (P(X1,,Xn)XiXiXi1Xi+1Pr(Xi|X1,,Xi)=Pr(Xi|Xi1,Xi+1)


Pr(XTôi|XTôi-1,XTôi+1) để bạn nhận ra kết quả dưới dạng pdf đã biết và bạn đã hoàn thành. Miễn là bạn có thể sắp xếp lại mọi thứ khác (ví dụ: tất cả các hằng số khác, tích phân trong mẫu số, v.v.) sẽ bằng hằng số thích hợp để pdf tích hợp thành 1.

3
Họ không cần phải được tìm thấy một cách phân tích. Tất cả các điều kiện đầy đủ tỷ lệ thuận với phân phối chung, ví dụ. Và đó là tất cả những gì cần thiết cho Metropolis-Hastings.
Tristan

1
@Tristan tất nhiên. Tôi, tuy nhiên, nói về lấy mẫu gibbs.
gabgoh

1
Chúng không cần phải được tìm thấy một cách phân tích cho Lấy mẫu Gibbs. Bạn chỉ cần có thể lấy mẫu, bằng cách nào đó, từ điều kiện; cho dù bạn có thể viết ra làm thế nào để làm điều này trong một tuyên bố phân tích khá không liên quan.
khách

1
Trên thực tế, không cần phải có một điều kiện đầy đủ phân tích: tất cả những gì cần thiết cho việc lấy mẫu Gibbs được thực hiện là khả năng mô phỏng từ các điều kiện đầy đủ.
Tây An

11

Tôi nghĩ rằng bạn đã bỏ lỡ lợi thế chính của các thuật toán như của Metropolis-Hastings. Để lấy mẫu Gibbs, bạn sẽ cần lấy mẫu từ các điều kiện đầy đủ. Bạn nói đúng, điều đó hiếm khi dễ làm. Ưu điểm chính của thuật toán Metropolis-Hastings là bạn vẫn có thể lấy mẫu một tham số tại một thời điểm, nhưng bạn chỉ cần biết các điều kiện đầy đủ theo tỷ lệ. Điều này là do mẫu số hủy trong hàm tiêu chí chấp nhận

Các điều kiện đầy đủ không chuẩn hóa thường có sẵn. Ví dụ, trong ví dụ của bạn P(x1|x2,...,xn)αP(x1,...,xn), mà bạn có. Bạn không cần phải thực hiện bất kỳ tích phân nào. Trong hầu hết các ứng dụng, rất nhiều khả năng sẽ hủy quá.

Các chương trình như WinBugs / Jags thường thực hiện các bước lấy mẫu của Metropolis-Hastings hoặc lát chỉ yêu cầu các điều kiện theo tỷ lệ. Đây là dễ dàng có sẵn từ DAG. Được liên hợp, đôi khi họ cũng thực hiện các bước Gibbs thẳng hoặc dừng khối ưa thích.


1
Này cảm ơn nhé! Tôi nghĩ rằng quan điểm về việc không cần hằng số định mức cho các đô thị là chính xác thông tin tôi cần để hiểu tất cả những điều này. Tôi nghĩ, bởi vì GS trong WinBUGS là viết tắt của việc lấy mẫu gibbs, tôi đã có ấn tượng rằng gibbs thay thế MH và phần mềm chỉ sử dụng gibbs.
cespinoza

3
Thuật ngữ lấy mẫu Gibbs thường được sử dụng để ám chỉ rằng bạn lấy mẫu một tham số tại một thời điểm, ngay cả khi bạn không sử dụng ý tưởng ban đầu về lấy mẫu trực tiếp từ các điều kiện đầy đủ. Tất cả các phần mềm lấy mẫu các tham số riêng lẻ hoặc các khối tham số theo trình tự, nhưng loại bước thực tế thay đổi rất nhiều tùy thuộc vào hoạt động tốt nhất.
Tristan

2
Hầu như bất cứ khi nào bạn có thể thực hiện Gibbs, bạn cũng có thể thực hiện các lựa chọn thay thế cho Metropolis-Hastings. Hiệu quả cao hơn đến từ việc trộn cả hai phương pháp.
Tây An

Điều này nên imho là câu trả lời được chấp nhận.
NoBackingDown
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.