SPUX：用于随机生态模型不确定性量化的可扩展粒子马尔可夫链蒙特卡罗方法
统计计算
2017-11-09 v1 计算工程、金融与科学
分布式、并行与集群计算
摘要
个体基模型（IBMs）在模拟复杂生态动力学系统方面颇为成功，但其校准通常仅以临时方式进行。贝叶斯推断可用于参数估计与不确定性量化，但其在现实场景中的成功应用一直受到IBMs复杂随机性的阻碍。粒子滤波（PF）等计算代价高昂的技术可提供边际似然估计，其中需要多次模型模拟（粒子）以从给定观测数据的状态分布中获得样本。粒子集合在每次数据观测时刻被重采样，需要粒子的销毁与复制，从而导致算法复杂度的增加。我们提出SPUX，一种并行粒子马尔可夫链蒙特卡罗（PMCMC）算法的Python实现，其通过将粒子分布到多个计算单元上来缓解高计算成本。采用自适应负载再平衡技术来缓解由重采样引入的计算工作量不平衡。研究了该框架的性能，并在一个简单的捕食者-猎物IBMs模型上观察到显著的加速效果。
引用
@article{arxiv.1711.01410,
title = {SPUX: Scalable Particle Markov Chain Monte Carlo for uncertainty quantification in stochastic ecological models},
author = {Jonas Šukys and Mira Kattwinkel},
journal= {arXiv preprint arXiv:1711.01410},
year = {2017}
}