高斯过程代理近似贝叶斯计算中的批量模拟与不确定性量化
机器学习
2020-08-07 v3 机器学习
统计计算
统计方法学
摘要
使用高斯过程(GP)等代理模型已提升了近似贝叶斯计算(ABC)的计算效率。在一个有前景的框架中，模拟数据与观测数据之间的差异由GP建模，并进一步用于形成难以处理的后验的基于模型的估计量。本文从若干方面改进该方法。我们发展了批量序贯贝叶斯实验设计策略以并行化昂贵的模拟；早期工作仅使用序贯策略。当前的基于代理的ABC方法也未充分考虑由于模拟预算有限所带来的不确定性，因为它们仅输出ABC后验的点估计。我们提出一种数值方法以充分量化例如ABC后验矩中的不确定性。我们还对所得改进框架（称为Bayesian ABC）中的GP建模假设给出一些新分析，并讨论其与贝叶斯求积(BQ)和贝叶斯优化(BO)的联系。基于玩具与真实世界模拟模型的实验展示了所提技术的优势。
引用
@article{arxiv.1910.06121,
title = {Batch simulations and uncertainty quantification in Gaussian process surrogate approximate Bayesian computation},
author = {Marko Järvenpää and Aki Vehtari and Pekka Marttinen},
journal= {arXiv preprint arXiv:1910.06121},
year = {2020}
}
备注
Minor improvements and clarifications to the text over the previous version. 20 pages, 15 figures