首页/论文/0910.4472

arXiv 0910.44722009-10stat.COstat.ME

关于参数估计和模型选择的ABC拒绝和ABC SMC

Tutorial on ABC rejection and ABC SMC for parameter estimation and model selection

Tina Toni, Michael P. H. Stumpf

备注：: This tutorial forms a part of the supplementary material of the paper "T. Toni, M. P. H. Stumpf, Simulation-based model selection for dynamical systems in systems and population biology, Bioinformatics, 2009 (in press)"

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

在本教程中，我们示意性地说明了四种算法：（1）用于参数估计的ABC拒绝（2）用于参数估计的ABC SMC（3）用于联合空间上的模型选择的ABC拒绝（4）用于联合空间上的模型选择的ABC SMC。

英文摘要：

In this tutorial we schematically illustrate four algorithms: (1) ABC rejection for parameter estimation (2) ABC SMC for parameter estimation (3) ABC rejection for model selection on the joint space (4) ABC SMC for model selection on the joint space.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

罕见事件ABC-SMC $^{2}$

Rare event ABC-SMC$^{2}$

近似贝叶斯计算（ABC）是一个完善的家庭蒙特卡罗方法执行近似贝叶斯推断的情况下，一个“隐式”模型用于数据：当数据模型可以模拟，但可能性不能很容易地逐点评估。标准ABC方法的一个基本特性是，达到给定精度所需的蒙特卡罗点的数量与数据的维数成指数关系。Prangle等人（2018）提出了一种马尔可夫链蒙特卡罗（MCMC）方法，该方法使用罕见事件序贯蒙特卡罗（SMC）方法来估计ABC可能性，避免了这种指数缩放，从而允许ABC用于高维数据。本文以Prangle等人的工作为基础。（2018）通过在SMC算法中使用罕见事件SMC方法，而不是在MCMC算法中。新方法具有与SMC $^{2}$（Chopin等人，2013），并且比MCMC方法需要更少的调优。我们展示了新的方法，现有的ABC-SMC方法相比，一个玩具的例子和用于蛋白质相互作用网络建模的重复发散随机图模型。

2022-11-03stat.COstat.ME

动力系统参数推断和模型选择的近似贝叶斯计算方案

Approximate Bayesian computation scheme for parameter inference and model selection in dynamical systems

近似贝叶斯计算方法可用于评估后验分布，而不必计算似然。本文讨论并应用基于序贯蒙特卡罗（SMC）的近似贝叶斯计算（ABC）方法估计动力学模型的参数。我们发现，ABC SMC提供了有关参数的可推断性和模型对参数变化的敏感性的信息，并且往往比其他ABC方法表现得更好。该算法被应用到几个著名的生物系统，其中参数和它们的可信区间的推断。此外，我们开发的ABC SMC作为模型选择的工具，给出了一系列不同的数学描述，ABC SMC能够选择最好的模型，使用标准的贝叶斯模型选择装置。

2009-01-14stat.COstat.ME

ABC-SMC 核函数的比较研究

A Comparison of Kernels for ABC-SMC

University of Bristol（布里斯托大学）；University of Salerno（萨莱诺大学）

本文系统回顾并比较了 ABC-SMC 算法中的各类马尔可夫核函数，提出新方案，并通过大量实验表明带混合提议分布的一次命中核函数是最佳默认选择。

2025-11-09stat.CO

面向随机微分方程ABC推断的数据条件模拟

Towards Data-Conditional Simulation for ABC Inference in Stochastic Differential Equations

我们提出一种基于条件模拟和不变神经网络学习汇总统计的ABC-SMC方法，用于随机微分方程推断，实现准确且快约三倍的推断。

2024-06-03stat.COstat.ME

面向难处理贝叶斯模型的引导式序贯ABC方案

Guided sequential ABC schemes for intractable Bayesian models

针对无似然贝叶斯模型，提出以数据汇总统计量为条件的引导式提议采样器，加速SIS-ABC和SMC-ABC收敛，减少计算成本并保持推断精度，适用于多模态、高相关及分层模型等挑战场景。

2024-05-29stat.COstat.ME

序贯蒙特卡罗参数抽样的多保真度近似贝叶斯计算

Multifidelity Approximate Bayesian Computation with Sequential Monte Carlo Parameter Sampling

多保真度近似贝叶斯计算（MF-ABC）是一种用于参数推断的无可能性技术，它利用模型近似来显着提高ABC算法的速度（Prescott和Baker，2020）。以前的工作只考虑MF-ABC的上下文中的拒绝抽样，这并不特别有效地探索参数空间。在这项工作中，我们集成了多保真度的方法与ABC序贯蒙特卡罗（ABC-SMC）算法到一个新的MF-ABC-SMC算法。我们表明，ABC-SMC和MF-ABC产生的改进，以产生蒙特卡罗样本的效率和估计的ABC后被放大时，这两种技术一起使用。

2020-10-12stat.CO

更多相关论文收起更多论文

延迟验收ABC-SMC

Delayed acceptance ABC-SMC

近似贝叶斯计算（ABC）现在是一种用于统计推断的已建立的技术，在似然函数在计算上昂贵或不可用的情况下使用。它依赖于以~模拟器形式指定的~模型的使用，并通过模拟辅助数据集$x$并评估$x$与真实数据$y$的距离来近似~参数值$θ$处的似然性。然而，在对每个$θ$使用模拟器非常昂贵的情况下，ABC在计算上不可行。本文研究这种情况下，一个~便宜，但近似的，模拟器是可用的。该方法是在ABC序贯蒙特卡罗（SMC）采样器中采用延迟接受马尔可夫链蒙特卡罗（MCMC），以便在内核的第一阶段中，使用廉价的模拟器来排除参数空间中不值得探索的部分，因此，“真”模拟器仅在有合理机会接受$θ$的建议值的情况下运行（在内核的第二阶段）。我们表明，这种方法可以使用相当自动，调整参数很少。应用随机微分方程模型和潜在的双重棘手的分布。

2020-05-31physics.data-anstat.APstat.CO

限价订单簿随机模拟模型估计的SMC-ABC方法

SMC-ABC methods for the estimation of stochastic simulation models of the limit order book

在本文中，我们考虑类的模型，最近开发的量化金融，涉及建模一个高度复杂的多变量，多属性的随机过程称为限价订单簿（LOB）。LOB是每天在交易发生的世界上每个电子交易所上记录的所有资产的主要数据结构。因此，它代表了从随机过程角度研究的最重要的基本结构之一，如果人们希望描述交易资产的价格，交易量，流动性和其他重要属性的随机动态特征。在本文中，我们的目标是通过模型结构，开发一个随机模型框架的LOB的一个给定的资产，并解释如何执行校准的随机模型，以真实观察到的LOB数据的范围内不同的资产。

2015-04-22q-fin.CPq-fin.STstat.CO

自适应权值的序贯蒙特卡罗近似贝叶斯计算

Sequential Monte Carlo with Adaptive Weights for Approximate Bayesian Computation

近似贝叶斯计算（ABC）方法越来越多地用于复杂模型的分析。ABC的一个主要挑战是克服基于先验预测抽样的接受/拒绝方法中通常固有的高拒绝率问题。一些最近的发展旨在解决这个问题的扩展的基础上序贯蒙特卡罗（SMC）的战略。我们在此基础上，介绍了一种ABC SMC方法，该方法使用基于数据的自适应权重。这种易于实现和计算平凡的ABC SMC扩展可以大大提高接受率，如一系列模拟和真实数据集的例子所示，包括当前系统生物学应用中动态建模的热门例子。

2015-03-26math.STstat.COstat.TH

基于序贯蒙特卡罗的近似贝叶斯计算核的最优性

On optimality of kernels for approximate Bayesian computation using sequential Monte Carlo

在过去的几年中，近似贝叶斯计算（ABC）在分析群体遗传学、流行病学和系统生物学中出现的复杂模型方面越来越受欢迎。序贯蒙特卡罗（SMC）方法已成为ABC中的工作马匹。在这里，我们将讨论如何构建扰动核所需的ABC SMC方法，以构建一组分布，从一个适当定义的先验和收敛到未知的后验。我们推导出不同的内核，这是基于分布和扰动粒子的分布之间的库尔贝克-莱布勒散度的最优性准则。我们将证明，对于许多复杂的后验分布，局部自适应内核往往表现出最好的性能。在可以估计费舍尔信息的情况下，我们可以构造特别有效的扰动核。我们发现，增加适度的成本，适应核函数很容易重新获得较高的接受率。我们展示了计算效率的提高，在一系列的玩具的例子，说明了一些挑战，在现实世界中的应用ABC，然后转向两个苛刻的参数推断问题，在分子生物学，突出了效率的巨大增加，可以从选择最佳模型。最后，我们的一般讨论的合理选择的扰动核在ABC SMC设置。

2012-10-15stat.CO

分层距离空间提升近似贝叶斯计算中顺序采样器的效率

Stratified distance space improves the efficiency of sequential samplers for approximate Bayesian computation

本文提出分层距离ABC SMC方法，通过按粒子距离分层构建提议分布并引入新停止规则，显著提升顺序采样器在近似贝叶斯计算中的接受率与效率。

2025-01-24stat.COstat.ME

结合参数和状态推理，自动校准ABC

Combined parameter and state inference with automatically calibrated ABC

状态空间模型包含时间索引的参数，称为状态，以及静态参数，简单地称为参数。根据时间索引观测值同时推断静态参数和状态的问题是最近许多文献的主题。一旦我们考虑具有难以处理的可能性的模型，这个问题就变得复杂了。在这些情况下，一些新兴的方法已经将现有的静态参数的无似然技术，如近似贝叶斯计算（ABC）到基于似然的算法，用于参数和状态的组合推断。这些新兴的方法目前需要大量的手动校准的时间索引的调整参数：接受阈值。我们设计了SMC $^2$算法（Chopin等人，2013年，JRSS B），用于自动调整阈值的无似然近似。我们证明了算法的一致性，并讨论了建议的校准。我们证明了这种算法的性能与三个例子。我们从状态空间模型的两个例子开始。第一个示例是一个玩具示例，其发射分布是斜正态分布。第二个例子是一个随机波动率模型涉及一个棘手的稳定分布。最后一个例子是最具挑战性的;它处理非齐次霍克斯过程。

2021-05-26stat.COstat.ME

隐马尔可夫模型ABC逼近的静态参数估计

Static Parameter Estimation for ABC Approximations of Hidden Markov Models

本文主要研究隐马尔可夫模型静态参数的极大似然估计。我们将考虑的情况下，一个不能或不想计算的条件似然密度的观察给定的隐藏状态，因为增加了计算复杂性或分析棘手。相反，我们将假设可以从该条件似然中获得样本，因此使用原始HMM的近似贝叶斯计算（ABC）近似。ABC近似是有偏的，但可以通过参数ε>0将偏差控制到任意精度;当ε \searrow 0时，偏差通常会变为零。我们首先确定，对于一批固定的数据，ABC近似的对数似然和对数似然梯度的偏差并不比\mathcal{O}（nε）差，n是数据的数量;因此，出于计算的原因，人们可能会期望使用这种ABC近似进行合理的参数估计。转向估计$θ$的计算问题，我们使用Jasra等人（2012）中的ABC-序贯蒙特卡罗（SMC）算法提出了一种基于同时扰动随机逼近（SPSA）的方法。我们的方法是研究两个数值例子

2012-10-17stat.CO

耦合随机EM和近似贝叶斯计算的状态空间模型参数推断

Coupling stochastic EM and Approximate Bayesian Computation for parameter inference in state-space models

研究了一类状态空间模型，并对模型参数进行了极大似然估计。我们考虑一个随机逼近期望最大化（SAEM）算法，以最大化的似然函数的新颖性，使用近似贝叶斯计算（ABC）内SAEM。我们的任务是提供每个迭代的SAEM与系统的过滤状态，这是实现使用ABC采样器的隐藏状态，基于序贯蒙特卡罗（SMC）方法。结果表明，由此产生的SAEM-ABC算法可以被校准，以返回准确的推理，在某些情况下，它可以优于一个版本的SAEM纳入自举滤波器。两个模拟研究，首先是一个非线性高斯状态空间模型，然后一个状态空间模型具有动态表示的随机微分方程。与迭代滤波的极大似然推断，和吉布斯抽样和粒子边际方法的贝叶斯推断的比较。

2017-10-24stat.COstat.ME

使用早期拒绝马尔可夫链蒙特卡罗和高斯过程加速ABC方法

Using early rejection Markov chain Monte Carlo and Gaussian processes to accelerate ABC methods

针对似然函数不可用的近似贝叶斯计算（ABC）在复杂模型中计算成本高的问题，提出基于高斯过程的早期拒绝马尔可夫链蒙特卡罗（ejMCMC）采样器，通过差异模型提前拒绝样本以减少不必要的合成数据生成，显著提升了推断效率。

2024-04-13stat.CO

具有难处理似然的状态空间模型中快速近似推理的贝叶斯优化

Bayesian optimisation for fast approximate inference in state-space models with intractable likelihoods

本文研究了具有难处理似然的非线性状态空间模型的近似贝叶斯参数推断问题。具有近似贝叶斯计算的序贯蒙特卡罗（SMC-ABC）是一种用于近似这种类型的模型中的可能性的方法。然而，这种近似可能是有噪声的并且计算成本高，这阻碍了使用基于优化和蒙特卡罗方法的标准方法的有效实现。我们提出了一种计算效率高的新方法的基础上结合高斯过程优化和SMC-ABC创建一个拉普拉斯近似的棘手后。我们将所提出的算法用于随机波动率模型的推理，同时使用合成数据和真实数据，以及使用Copula模型估计两个投资组合的风险价值。我们的文件之间的一个和两个数量级的速度相比，国家的最先进的后验推理算法。

2017-06-13q-fin.RMstat.COstat.ML

一般非线性状态空间模型中的在线贝叶斯参数估计：教程和新结果

On-line Bayesian parameter estimation in general non-linear state-space models: A tutorial and new results

在线估计在过程控制和监测中起着重要的作用。获得非线性随机系统的同时状态参数估计问题的理论解涉及到求解复杂的多维积分，这些积分不适合于解析解。虽然存在用于同时估计的基本的序贯蒙特卡罗（SMC）或粒子滤波（PF）算法，但是很好地认识到需要使这些在线算法非退化、快速并且适用于具有缺失测量的过程。针对传统算法的不足，提出了一种在线状态和参数估计的贝叶斯方法。还提供了实时处理缺失数据的扩展。通过使用具有核密度估计方法的自适应序列重要性恢复（SIR）滤波器对状态和参数的扩展向量进行滤波来执行同时估计。该方法使用基于Kullback-Leibler（KL）发散的在线优化算法，以允许SIR滤波器用于组合状态参数估计的自适应。提出了一种最优的调整规则来控制核的宽度和加入到参数中的人工噪声的方差。该方法是通过数值例子说明。

2013-07-12stat.APstat.COstat.ME

模型参数非线性贝叶斯滤波的实用示例

A practical example for the non-linear Bayesian filtering of model parameters

Technische Universität München（慕尼黑工业大学）

本文通过实际数据示例，介绍了非线性贝叶斯滤波在时间依赖模型中静态参数估计的方法，重点讨论了粒子滤波中的序列重要性采样和序列蒙特卡洛方法，并提供了Python实现。

2019-02-22cs.NAmath.NAstat.CO