Sequential Monte Carlo algorithms for a class of outer measures
在一般情况下,用一些特定的外测度代替概率分布,可以导出封闭形式的随机滤波方程。在这篇文章中,我们研究如何的序贯蒙特卡罗方法的原则,可以适应这些方程的实际实施的目的。特别是,我们探讨如何抽样可以用来提供支持点的近似这些外部措施。这一步使实用的算法,以粒子滤波器的精神来推导。所获得的算法的性能在模拟中得到证明,并通过各种例子说明其通用性。
2018-05-04 stat.ME
Finite Sample Complexity of Sequential Monte Carlo Estimators
本文给出了静态空间上序贯蒙特卡罗采样器的有限样本误差的界。我们的方法明确地将算法的性能与所选分布序列的属性和相关马尔可夫核的混合属性联系起来。这使我们能够给出第一个有限样本比较其他蒙特卡罗计划。我们得到了各种目标分布的序贯蒙特卡罗近似的复杂性的界限,包括有限空间,产品措施,和对数凹分布,包括贝叶斯逻辑斯谛回归。所得到的界限是在一个对数因子内的类似界限可获得马尔可夫链蒙特卡罗。
2022-08-18 math.PR stat.CO stat.ME
Simple conditions for convergence of sequential Monte Carlo genealogies with applications
我们提出了简单的条件下,限制系谱过程与一类相互作用的粒子系统与非中性的选择机制,随着粒子数量的增长,是一个时间重新缩放的金曼合并。序贯蒙特卡罗算法是在诸如非线性滤波和平滑等问题中近似积分的流行方法,这些问题采用这种类型的粒子系统。它们的表现强烈依赖于诱导谱系过程的性质。我们验证了我们的主要结果的标准序贯蒙特卡罗算法与广泛的一类低方差reservation计划,以及有条件的序贯蒙特卡罗与多项式reservation的条件。
2020-12-07 math.PR stat.CO stat.ME
Advanced Interacting Sequential Monte Carlo Sampling for Inverse Scattering
解决了以下电磁(EM)逆问题。它包括在估计当地的无线电性能的材料恢复一个对象从全球电磁散射测量,在各种入射和波频率。这个大规模的不适定逆问题的探索密集利用一个高效的二维麦克斯韦求解器,分布在高性能的计算机器。应用于大型训练数据集,统计分析将问题简化为更简单的概率元模型,可以在其上执行贝叶斯推断。考虑到作为一个隐藏的动态随机过程,演变的频率的函数的无线电特性,它示出了如何先进的马尔可夫链蒙特卡罗方法,称为序贯蒙特卡罗(SMC)或相互作用的粒子,可以利用的结构,并提供本地EM属性估计。
2013-01-21 stat.AP
The Convergence of Markov chain Monte Carlo Methods: From the Metropolis method to Hamiltonian Monte Carlo
从20世纪50年代开始到应用统计学的现代前沿,马尔可夫链蒙特卡罗一直是统计计算中最普遍和最成功的方法之一。在这段时间里,它的发展受到越来越困难的问题和物理学新技术的推动。在这篇文章中,我将回顾马尔可夫链蒙特卡罗的历史,从一开始的大都会方法,今天的国家的最先进的哈密顿蒙特卡罗。在此过程中,我将专注于该方法的统计和物理观点之间不断发展的相互作用。
2018-01-10 physics.hist-ph stat.ME
Parameter estimation from aggregate observations: A Wasserstein distance based sequential Monte Carlo sampler
针对聚合观测下似然函数不可用的参数估计问题,提出基于Wasserstein距离的序贯蒙特卡洛采样器,通过比较观测与模拟粒子分布实现参数估计,并用两个真实案例验证其有效性。
2023-07-08 stat.AP
Sequential Monte Carlo for Graphical Models
我们提出了一个新的框架,如何使用序贯蒙特卡罗(SMC)算法的概率图模型(PGM)的推理。通过对PGM的序列分解,我们找到了定义在单调递增的概率空间序列上的辅助分布序列。通过使用SMC瞄准这些辅助分布,我们能够近似由PGM定义的完整联合分布。SMC采样器的主要优点之一是它提供了模型配分函数的无偏估计。我们还展示了它如何可以用于粒子马尔可夫链蒙特卡罗框架内,以构建一般PGM的高维块采样算法。
2014-10-06 stat.ME stat.ML
The Fundamental Incompatibility of Hamiltonian Monte Carlo and Data Subsampling
利用哈密顿流的相干探索,哈密顿蒙特卡罗产生计算效率高的蒙特卡罗估计,即使对于复杂和高维的目标分布。然而,当遇到数据密集型应用程序时,该算法的实现可能过于昂贵,这让我们需要考虑数据二次采样等近似方法的实用性。在本文中,我演示了如何从根本上妥协的有效探索汉密尔顿流的数据二次采样,因此可扩展性能的哈密顿蒙特卡罗本身。
2015-02-05 stat.ME
Estimating Boltzmann Averages for Protein Structural Quantities Using Sequential Monte Carlo
序贯蒙特卡罗(SMC)方法被广泛用于从难以处理的目标分布中抽取样本。当目标分布受到高度约束或多峰时,颗粒简并会阻碍SMC的使用。作为一个激励的应用程序,我们考虑从玻尔兹曼分布采样蛋白质结构的问题。本文提出了一种通用的SMC方法,为每个粒子传播多个后代,然后通过重新分配来保持所需的粒子数。仿真研究表明,该方法用于解决蛋白质采样问题的有效性。作为一个真实数据的例子,我们使用我们的方法来估计的SARS冠状病毒-2病毒刺突蛋白的一个关键部分的原子接触的数量。
2022-10-25 stat.ME
Convergence of random-weight sequential Monte Carlo methods
我们研究了一个序贯蒙特卡罗方法的性质,其中出现在算法中的粒子的重量是由一个积极的,无偏估计量估计。我们提出了广泛适用的收敛结果,包括一个中心极限定理,我们讨论了它们在统计物理应用的相关性。使用这些结果,我们表明,rescue步骤减少的影响的随机性的权重的渐近方差的估计。此外,我们探讨了序贯蒙特卡罗方法的收敛极限,重点是几乎必然收敛。我们构造了一个例子算法,我们可以证明依概率收敛,但不收敛几乎肯定,即使在非随机权重的情况下。
2022-08-25 math.PR stat.ME
Repetition effects in a Sequential Monte Carlo sampler
本文研究了近期为政治选区重划引入的序贯蒙特卡洛(SMC)方法中样本重复现象的普遍性。
2024-09-24 cs.CY math.PR math.ST
Lookahead Strategies for Sequential Monte Carlo
序贯蒙特卡罗(SMC)是基于重要性抽样和随机响应原理的一种处理复杂随机动态系统的有效方法。这些系统中的许多都拥有强大的记忆力,未来的信息可以帮助加强对当前状态的推断。通过对现有的几种算法进行理论分析,并引入几种新的算法,我们系统地研究了如何构造有效的SMC算法来利用“未来”的信息,同时又不产生很高的计算负担。其主要思想是允许在蒙特卡罗过程中进行前瞻,以便将来的信息可以用于加权和生成蒙特卡罗样本,或者从当前状态的样本中重新搜索。
2013-02-21 stat.ME
Likelihood-free Markov chain Monte Carlo
出现在MCMC手册中,S。P. Brooks,A. Gelman,G.琼斯和X L. Meng(eds),Chapman & Hall.
2010-01-13 stat.ME
Inference with Hamiltonian Sequential Monte Carlo Simulators
本文结合序贯蒙特卡罗模拟器和哈密顿蒙特卡罗模拟器的优点,提出了一种新的蒙特卡罗模拟器。结果是一种对多模态和复杂形状具有鲁棒性的方法,用于在存在困难的似然性或目标函数的情况下进行推理。提供了几个例子。
2018-12-19 stat.CO
Multivariate initial sequence estimators in Markov chain Monte Carlo
马尔可夫链蒙特卡罗(MCMC)是一种模拟方法,通常用于估计关于给定分布的期望。本文考虑估计样本均值向量的渐近多元正态分布的协方差阵。Geyer(1992)开发了一种用于估计单变量均值的蒙特卡罗误差估计方法。我们提出了一种新的多元版本的Geyer的方法,提供了一个渐近有效的估计的协方差阵和稳定的蒙特卡罗估计的结果。通过仿真实验研究了该方法的有限样本性质。
2017-06-02 stat.ME
Parameter Estimation in Hidden Markov Models with Intractable Likelihoods Using Sequential Monte Carlo
我们提出序贯蒙特卡罗算法的静态参数的极大似然估计的隐马尔可夫模型的一个棘手的可能性使用的想法,从近似贝叶斯计算。静态参数估计算法是基于梯度的,并且覆盖离线和在线估计。我们证明了他们的表现,估计参数的三个棘手的模型,即α-稳定分布,g-和-k分布,和随机波动率模型与α-稳定的回报,使用真实和合成数据。
2013-11-17 stat.CO stat.ME
Sequential Monte Carlo Bandits
Pipewave Inc.(Pipewave公司);Harvard University(哈佛大学)
在本文中,我们提出了一个灵活而有效的框架来处理多武装匪徒,结合序贯蒙特卡罗算法与分层贝叶斯建模技术。该框架自然包括不安分的土匪,上下文土匪,和其他土匪变种下一个单一的推理模型。尽管该模型的一般性,我们提出了有效的蒙特卡罗算法,使推理可扩展性,基于最近的发展序贯蒙特卡罗方法。通过两个模拟研究,该框架被证明优于其他经验方法,同时也自然扩展到更复杂的问题,现有的方法无法应付。此外,我们成功地将我们的框架应用于基于在线视频的广告推荐,并显示其提高的效率相比,目前的最先进的强盗算法。
2013-10-04 cs.LG stat.ME stat.ML
Sequential Monte Carlo Filtering Estimation of Ebola Progression in West Africa
我们使用序贯蒙特卡罗滤波器的多变量公式,该滤波器利用埃博拉病毒传播的机制模型和可用的发病率数据来同时估计疾病进展状态和模型参数。该方法的优点在于,当新数据变得可用时,在线执行推断,并且估计埃博拉爆发的基本生殖比$R_0(t)$随时间的演变。我们的分析确定了基本生殖比率的峰值接近欧洲和美国报告埃博拉病例的时间。
2016-01-28 q-bio.PE stat.AP
Exploring multi-dimensional spaces: a Comparison of Latin Hypercube and Quasi Monte Carlo Sampling Techniques
三种抽样方法进行了比较,效率的各种复杂性的测试问题,其中解析求积。比较的方法是伪随机数的蒙特卡罗,拉丁超立方抽样,准蒙特卡罗抽样的基础上Sobol序列。一般的结果显示出优越的性能的准蒙特卡罗方法的基础上Sobol序列与理论预测。拉丁超立方抽样可以比蒙特卡罗方法和准蒙特卡罗方法更有效,但后者的不等式适用于减少的函数类型集和少量的采样点。总之,拟蒙特卡罗方法将出现最安全的赌注时,集成功能的未知类型。
2015-05-10 stat.AP stat.CO
Embarrassingly Parallel Sequential Markov-chain Monte Carlo for Large Sets of Time Series
贝叶斯计算关键依赖于马尔可夫链蒙特卡罗(MCMC)算法。在大规模数据集的情况下,运行Metropolis-Hastings采样器从后验分布中提取数据变得令人望而却步,因为每次迭代都需要计算大量的似然项。为了进行贝叶斯推断的一个大的时间序列,我们考虑了一个算法,结合了“分而治之”的想法,以前用于设计MCMC算法的大数据与顺序MCMC策略。该方法的性能说明了使用一个大的金融数据集。
2015-12-04 stat.AP stat.CO
Discussion of "Sequential Quasi-Monte Carlo" by Mathieu Gerber and Nicolas Chopin
关于拟蒙特卡罗估计在应用中降低方差可能性的讨论。进一步的细节在随附的论文“拟蒙特卡罗的方差缩减“中提供。
2015-01-14 stat.CO
Identifying the Optimal Integration Time in Hamiltonian Monte Carlo
通过利用光滑概率系统的自然几何结构,哈密顿蒙特卡罗产生计算效率高的马尔可夫链蒙特卡罗估计。至少在算法足够好的情况下。在本文中,我将展示如何几何基础的哈密顿蒙特卡罗隐含地确定这些参数的最佳选择,特别是积分时间。然后,我认为这些原则在现有的算法和一个新的实现称为\emph{Exhaustive Hamiltonian Monte Carlo}的实际后果,然后在一些说明性的例子证明这些想法的效用。
2016-01-02 stat.CO stat.ME
The Geometry of Hamiltonian Monte Carlo
哈密顿蒙特卡罗是一种有效的马尔可夫链蒙特卡罗技术,它系统地探索了概率分布;然而,它最终取决于选择合适的哈密尔顿函数。通过考察哈密顿动力学的辛几何基础和马尔可夫链蒙特卡罗的要求,我们构造了可容许哈密顿量的一般形式,并提出了一种在贝叶斯推断中具有潜在应用的特殊选择.
2011-12-18 physics.data-an stat.ME
Adaptive Tuning Of Hamiltonian Monte Carlo Within Sequential Monte Carlo
序贯蒙特卡罗(SMC)采样器形成了一个有吸引力的替代MCMC贝叶斯计算。然而,它们的性能在很大程度上取决于用于恢复粒子的马尔可夫核。我们讨论了如何自动校准(使用当前粒子)哈密顿蒙特卡罗内核SMC。为此,我们建立在Fearnhead和Taylor(2013)的自适应SMC方法的基础上,我们还提出了替代方法。我们通过广泛的数值研究说明了在SMC采样器内使用HMC内核的优点。
2020-02-12 stat.CO
Sequential Monte Carlo on large binary sampling spaces
如果蒙特卡罗算法使用过去的模拟自动校准其当前的建议分布,则称其为自适应的。定义建议分布集的参数族的选择对于良好的性能至关重要。在本文中,我们提出了这样一个参数族的自适应采样高维二进制空间。这个问题的一个实际动机是变量选择在线性回归上下文中。我们希望使用适当版本的序贯蒙特卡罗从模型空间上的贝叶斯后验分布中采样。原始版本的序贯蒙特卡罗很容易使用具有独立分量的二进制向量实现。然而,对于高维问题,这些简单的建议并不能产生令人满意的结果。一个有效的自适应算法的关键是考虑相关性的二元参数族,类似于连续空间上的多元正态分布。我们提供了二进制数据的模型的审查,并使其中之一的顺序蒙特卡罗抽样的上下文中工作。对大约100个协变量的真实数据的计算研究表明,在困难的情况下,我们的序贯蒙特卡罗方法明显优于基于马尔可夫链探索的标准技术。
2011-11-09 math.ST stat.CO stat.ME
An Annealed Sequential Monte Carlo Method for Bayesian Phylogenetics
我们描述了一个“并行”的贝叶斯系统发育推断,退火顺序蒙特卡罗方法,基于最近的进展,如退火参数的自适应确定顺序蒙特卡罗文献。该算法提供了一个近似的后验分布的树木和进化参数,以及一个无偏估计的边际似然。该无偏性可用于检验后验仿真软件的正确性。我们评估系统发育退火序贯蒙特卡罗的性能,通过审查和比较与其他计算贝叶斯系统发育方法,特别是不同的边际似然估计方法。与以前的序列蒙特卡罗方法在遗传学中,我们的退火方法可以利用标准的马尔可夫链蒙特卡罗树移动,因此受益于大量的库存,这种移动在文献中。因此,退火顺序蒙特卡罗方法应该是相对容易纳入现有的系统发育软件包的基础上马尔可夫链蒙特卡罗算法。我们用模拟研究和真实数据分析来说明我们的方法。
2019-03-13 q-bio.PE stat.CO
Sequential quasi-Monte Carlo: Introduction for Non-Experts, Dimension Reduction, Application to Partly Observed Diffusion Processes
SMC(序贯蒙特卡罗)算法是求解滤波及相关序列问题的一类蒙特卡罗算法。Gerber和Chopin(2015)介绍了SQMC(顺序准蒙特卡罗),SMC的QMC版本。本文件有两个目标:(a)将序贯蒙特卡罗引入QMC社区,该社区的成员通常不太熟悉状态空间模型和粒子滤波;(b)将SQMC扩展到连续时间状态空间模型的滤波,其中潜在过程是扩散。本文中反复出现的一点是降维的概念,即如何实现SQMC,尽管问题的维数很高,但它仍然提供了良好的性能。
2017-06-16 stat.CO
Forward Smoothing using Sequential Monte Carlo
序贯蒙特卡罗(SMC)方法是一组广泛使用的用于非线性非高斯状态空间模型中的推断的计算工具。我们提出了一个新的SMC算法来递归地计算可加泛函的期望。本质上,它是Doucet等人(2000)提出的前向滤波后向平滑SMC算法的在线或仅前向实现。与标准路径空间SMC估计的渐近方差随时间平方增加,即使在有利的混合假设下,所提出的SMC估计的渐近方差只随时间线性增加。这种向前平滑过程使我们能够实现在线极大似然参数估计算法,不遭受粒子路径退化问题。
2010-12-24 stat.CO stat.ME
On sequential Monte Carlo, partial rejection control and approximate Bayesian computation
我们提出了一个序贯蒙特卡罗采样器的部分拒绝控制算法的变体,并表明,这种变体可以被认为是一个序贯蒙特卡罗采样器与修改后的突变内核。我们证明了新的采样器可以减少增量的重要性权重的方差相比,标准的序贯蒙特卡罗采样器。我们提供了一个新的算法的理论性质的研究,并与现有的一些算法。最后,采样器是适应于应用程序下的挑战性的“似然自由”,近似贝叶斯计算建模框架,在那里我们表现出优越的性能超过现有的似然自由采样器。
2009-11-11 math.ST stat.CO stat.TH
Variational Sequential Monte Carlo
大规模概率推理的许多最新进展依赖于变分方法。变分方法的成功取决于(i)制定一个灵活的参数分布族,以及(ii)优化参数,以找到这个家族中最接近精确后验的成员。在本文中,我们提出了一个新的近似家庭的分布,变分序贯蒙特卡罗(VSMC)家庭,并显示如何优化它的变分推断。VSMC融合了变分推断(VI)和序贯蒙特卡罗(SMC),为从业者提供灵活,准确和强大的贝叶斯推断。VSMC族是一个变分族,可以任意地近似后验,同时仍然允许其参数的有效优化。我们展示了它在状态空间模型,金融数据的随机波动模型和大脑神经回路的深度马尔可夫模型上的实用性。
2018-02-21 stat.CO stat.ME stat.ML
Introducing Monte Carlo Methods with R Solutions to Odd-Numbered Exercises
这是我们的书“Introducing蒙特卡罗Methods with R”中奇数练习的解决方案手册,由Springer Verlag于2009年12月10日出版,并免费提供给每个人。
2010-01-17 stat.CO stat.ME
Data-driven Sequential Monte Carlo in Probabilistic Programming
University of Oxford(牛津大学)
现有的概率规划系统中的大多数马尔可夫链蒙特卡罗(MCMC)和顺序蒙特卡罗(SMC)算法仅使用模型先验作为建议分布。在这项工作中,我们描述了一种训练判别模型,即一个神经网络的方法,以近似的最佳建议,通过使用后验估计从以前运行的推理。我们展示了一个例子,结合了数据驱动的建议,用于在英国圣公会概率编程系统的非参数模型。我们的研究结果表明,数据驱动的建议可以显着提高推理性能,因此需要相当少的粒子来执行良好的后验估计。
2016-05-16 cs.AI stat.AP stat.ML
A General Metric for Riemannian Manifold Hamiltonian Monte Carlo
马尔可夫链蒙特卡罗(MCMC)是一种非常有用的复杂模型推理方法,而哈密顿蒙特卡罗,特别是黎曼流形哈密顿蒙特卡罗(RMHMC),在许多具有挑战性的问题上取得了令人瞩目的成功。然而,目前的RMHMC实现依赖于黎曼度量,这限制了其应用于分析方便的模型。在本文中,我提出了一个新的度量RMHMC没有这些限制,并验证其成功的分布,模拟许多层次和潜在的模型。
2013-09-18 physics.data-an stat.ME
Anchored Reversible Jump Sequential Monte Carlo
Eindhoven University of Technology(埃因霍温理工大学);Donders Institute for Brain, Cognition and Behaviour(唐德斯大脑、认知与行为研究所);Radboud University(拉德堡德大学)
针对RJMCMC模型间提议设计困难及GPU并行受限问题,提出锚定可逆跳跃序贯蒙特卡洛,结合SMC并行探索模型空间,利用粒子构建核密度近似生成跨维度提议,实现高效且可扩展的贝叶斯模型比较。
2026-10-08 math.ST stat.ME stat.TH
Application of Sequential Quasi-Monte Carlo to Autonomous Positioning
序贯蒙特卡罗算法(也称为粒子滤波器)是用于近似状态空间模型的滤波(和相关)分布的流行方法。然而,它们以缓慢的$1/\sqrt{N}$速率收敛,这在实时数据密集型场景中可能是一个问题。我们简要介绍了SQMC(顺序准蒙特卡罗),这是基于Gerber和Chopin(2015)提出的低差异点集的SMC变体,它以更快的速度收敛,我们说明了SQMC在自主定位问题上的更高性能。
2015-03-05 stat.CO
Sequential Monte Carlo Samplers for capital allocation under copula-dependent risk models
在本文中,我们假设一个多变量风险模型已经开发的投资组合和它的资本作为一个齐次风险度量。因此,欧拉(或梯度)原理指出,要分配给投资组合每个组成部分的资本必须作为一个以罕见事件为条件的预期来计算,这在实践中可能具有挑战性。我们利用投资组合风险中的Copula依赖性,设计了一个基于序贯蒙特卡罗采样器的边际条件期望估计,并通过一系列计算实例说明了其有效性.
2015-02-17 q-fin.RM stat.AP stat.CO
Sequential Markov Chain Monte Carlo
我们提出了一个顺序的马尔可夫链蒙特卡罗(SMCMC)算法,从一个序列的概率分布,对应于后验分布在不同的时间在在线应用中进行采样。SMCMC与通常的MCMC一样进行,但每次新数据到达时都会适当更新静态分布。SMCMC在避免粒子简并问题方面优于顺序蒙特卡罗(SMC)。我们提供了理论保证SMCMC的边际收敛在各种设置下,包括参数和非参数模型。所提出的方法相比,竞争对手在模拟研究。我们还考虑了在线非参数回归的应用。
2013-08-18 math.ST stat.TH
Three discussions of the paper "sequential quasi-Monte Carlo sampling", by M. Gerber and N. Chopin
这是一个收集的三个书面讨论的文件“序贯准蒙特卡罗抽样”的M。Gerber和N.肖邦在2014年12月10日在伦敦皇家统计学会发表演讲后说。
2015-05-26 stat.CO
vSMC: Parallel Sequential Monte Carlo in C++
序贯蒙特卡罗是从一系列分布中进行抽样的一系列算法。其中的一些算法,如粒子滤波器,在物理和信号处理领域有着广泛的应用。最近的发展已经建立了他们的应用程序在更一般的推理问题,如贝叶斯建模。这些算法近年来吸引了相当大的关注,因为它们承认自然和可扩展的并行化。然而,这些算法被认为是难以实现的。此外,并行编程虽然在概念上很吸引人,但对许多研究人员来说往往是陌生的,特别是对于与序贯蒙特卡罗相关的领域。为了在并行硬件上实现一般的序贯蒙特卡罗算法,提出了一个C++模板库。两个例子:一个简单的粒子滤波器和一个经典的贝叶斯建模问题。
2013-06-24 cs.MS stat.CO
A Short Review of Ergodicity and Convergence of Markov chain Monte Carlo Estimators
这篇短文回顾了量化马尔可夫链蒙特卡罗估计的渐近收敛和前渐近收敛的基本理论。
2021-10-13 math.PR math.ST stat.ME
Bayesian Detectability of Induced Polarisation in Airborne Electromagnetic Data using Reversible Jump Sequential Monte Carlo
在航空电磁(AEM)测量中检测感应极化(IP)效应还没有一个既定的方法。这一贡献开发了一种贝叶斯方法的IP-检测问题,使用解耦transdimensional分层模型,并适用于一种新的方法,其中transdimensional的建议是使用内的并行和强大的静态序贯蒙特卡罗(SMC)类算法的参数和模型的同时推理物理。尽管将该算法称为可逆跳跃序贯蒙特卡罗(RJSMC),但对该算法的统计方法贡献考虑了多个模型和建议类型的适应性考虑,特别是不太可能模型中的周围粒子扩散。固体地球物理学方法的贡献包括解耦模型的方法和建议的统计,使用后验模型的IP检测几率。一个案例研究包括调查IP效应的AEM数据在广泛的规模检测。
2021-09-02 physics.geo-ph stat.AP stat.CO
Some Contributions to Sequential Monte Carlo Methods for Option Pricing
期权定价是金融工程中的一个重要问题。在许多具有实际意义的场景中,与标的资产相关的金融期权价格简化为计算w.r.t.~扩散过程。一般来说,这些期望值无法通过分析计算,而近似这些数量的一种方法是通过蒙特卡罗方法;蒙特卡罗方法至少从20世纪70年代开始就被用于期权定价。在Del Moral,P.\& Shevchenko,P.V.(2014)"Valuation of barrier options using序贯蒙特卡罗"和Jasra,A. \& Del Moral,P.(2011)"期权定价的序贯蒙特卡罗",序贯蒙特卡罗(SMC)方法是应用于这种情况的自然工具,可以大大改善标准蒙特卡罗。在本文中,本着类似的精神,Del Moral,P.\& Shevchenko,P.V.(2014)"Valuation of barrier options using序贯蒙特卡罗"和Jasra,A. \& Del Moral,P.(2011)"期权定价的序贯蒙特卡罗"我们表明,通过构建一系列人工目标密度随时间的推移使用SMC方法可以实现显着收益。特别是,我们近似的最佳重要性抽样分布的SMC算法,通过使用一系列的加权函数。这是证明了两个例子,障碍期权和目标应计赎回票据(TARN的)。我们还提供了我们的SMC估计的无偏性的证明。
2016-08-11 q-fin.CP q-fin.PR stat.CO
High-dimensional Filtering using Nested Sequential Monte Carlo
序贯蒙特卡罗(SMC)方法是贝叶斯滤波最成功的近似方法之一。然而,SMC没有好的建议分布挣扎在高维。我们提出了嵌套的序贯蒙特卡罗(NSMC),一种方法,概括SMC框架,只需要近似,适当加权,样本从SMC的建议分布,同时仍然导致一个正确的SMC算法。通过这种方式,我们可以精确地近似局部最优建议,并扩展我们可以使用SMC进行有效推理的模型类。我们表现出更高的精度比其他国家的最先进的方法在几个时空状态空间模型。
2016-12-29 stat.CO stat.ML
Sequential Monte Carlo for fractional Stochastic Volatility Models
本文考虑了一个分数阶随机波动率模型,即波动率具有长程依赖或粗糙/反持续行为的模型。我们提出了一个动态的序贯蒙特卡罗方法,是适用于长记忆和反持续过程,以估计波动率以及未知参数的模型。我们建立了状态和参数滤波器的中心极限定理,并研究了滤波器的渐近性质(一致性和渐近正态性)。我们说明了我们的结果与模拟研究,我们应用我们的方法来估计波动率和参数的长期依赖模型的标准普尔500指数的数据。
2017-02-25 math.ST stat.CO stat.ME
Capacity estimation of two-dimensional channels using Sequential Monte Carlo
我们推导出一种新的基于序列蒙特卡罗的算法来估计二维的【形】信道模型的容量。重点是计算2-D的一个无限游程长度有限的约束信道的无噪声容量,但基本的想法是普遍适用的。所提出的算法是针对一个国家的最先进的方法,产生超过一个数量级的改进,在给定的计算时间的估计精度。
2014-08-11 cs.IT math.IT stat.CO
Generalised linear mixed model analysis via sequential Monte Carlo sampling
提出了一种用于广义线性混合模型贝叶斯分析的序贯蒙特卡罗抽样算法。这些模型支持各种有趣的回归类型的分析,但执行推理往往是非常困难的,即使使用贝叶斯方法结合马尔可夫链蒙特卡罗(MCMC)。序贯蒙特卡罗抽样法是一种新的、通用的从后验分布中产生样本的方法。在这篇文章中,我们演示了使用SMC方法进行GLP-I推理。我们证明了模拟和真实数据的方法的有效性,并发现,序贯蒙特卡罗是一个有竞争力的替代MCMC技术。
2008-10-07 stat.CO
Variational Combinatorial Sequential Monte Carlo Methods for Bayesian Phylogenetic Inference
Columbia University(哥伦比亚大学)
贝叶斯系统发育推断通常使用随机游走马尔可夫链蒙特卡罗(MCMC)或组合序贯蒙特卡罗(CSMC)等算法通过拓扑和分支长度上的局部或顺序搜索来进行。然而,当MCMC用于进化参数学习时,收敛需要长时间运行,状态空间的探索效率低下。我们介绍变分组合序贯蒙特卡罗(VCSMC),一个强大的框架,建立变分顺序搜索学习分布在复杂的组合结构。然后,我们开发嵌套CSMC,一个有效的建议分布CSMC和证明嵌套CSMC是一个精确的近似(棘手的)局部最优建议。我们使用嵌套的CSMC定义第二个目标,VNCSMC产生更严格的下限比VCSMC。我们表明,VCSMC和VNCSMC的计算效率和探索更高的概率空间比现有的方法在一系列的任务。
2021-06-17 cs.LG stat.CO stat.ML
Auto-Encoding Sequential Monte Carlo
我们建立在自动编码序贯蒙特卡罗(AESMC):模型和建议学习的基础上,最大限度地提高了一个广泛的家庭的结构化概率模型的对数边际似然下界的方法。我们的方法依赖于序贯蒙特卡罗(SMC)在结构化概率模型中执行推理的效率,以及深度神经网络对复杂条件概率分布建模的灵活性。我们开发了更多的理论见解,并引入了一个新的训练过程,提高了模型和建议学习。我们证明了我们的方法为深度生成模型中的同时模型学习和建议适应提供了一种快速,易于实现和可扩展的方法。
2018-04-05 stat.ML
Comment on "Sequential Monte Carlo for Bayesian Computation" (P. Del Moral, A. Doucet, A. Jasra)
主要的问题涉及到序列蒙特卡罗的另一个最新进展,即使用自动适应目标分布的混合过渡核(Douc et al. 2006)。是否有一类静态推理问题更适合后向核方法,或者预测哪种方法在特定情况下可能具有更好的性能还为时过早?
2006-06-22 math.PR math.ST stat.TH
Antithetic Riemannian Manifold And Quantum-Inspired Hamiltonian Monte Carlo
University of Johannesburg(约翰内斯堡大学);University of Witwatersrand(威特沃特斯兰德大学)
机器学习中目标后验分布的马尔可夫链蒙特卡罗推断主要通过哈密顿蒙特卡罗及其变体进行。这是由于基于哈密顿蒙特卡罗的采样器抑制随机游走行为的能力。与其他马尔可夫链蒙特卡罗方法一样,哈密顿蒙特卡罗产生自相关样本,这导致估计量的高方差,以及所生成样本的低有效样本量率。先前已经证明,与普通哈密顿蒙特卡罗相比,向哈密顿蒙特卡罗添加对偶采样可以产生更高的有效采样率。在本文中,我们提出了新的算法,这是对立的版本的黎曼流形哈密顿蒙特卡罗和量子启发哈密顿蒙特卡罗。黎曼流形哈密顿蒙特卡罗算法通过考虑目标的局部几何形状来改进哈密顿蒙特卡罗,这对于可能在参数中表现出强相关性的目标密度是有益的。受量子启发的哈密顿蒙特卡罗是基于可以具有随机质量的量子粒子。量子启发的哈密顿蒙特卡罗使用随机质量矩阵,这导致比哈密顿蒙特卡罗更好的采样尖峰和多模态分布,如跳跃扩散过程。使用真实世界的金融市场数据的跳跃扩散过程进行分析,以及使用贝叶斯逻辑斯谛回归的真实世界的基准分类任务。
2021-07-05 cs.LG stat.CO stat.ML
Limit theorems for weighted samples with applications to Sequential Monte Carlo Methods
在过去的十年中,序列蒙特卡罗方法(SMC)成为计算统计学中的一个关键工具。这些算法通过与加权粒子群相关联的加权经验测量序列来近似分布序列。这些粒子和权重是根据初等变换(突变和选择)递归生成的。应用程序的例子包括顺序蒙特卡洛技术来解决最佳的非线性滤波问题的状态空间模型,分子模拟,遗传优化等,尽管许多理论上的进步,这些近似的渐近性质当然仍然是一个问题的中心利益。本文从渐近的角度分析了序贯蒙特卡罗方法,即建立了粒子数变大时的大数定律和不变原理。我们引入了“加权样本”的一致性和渐近正态性的概念,并推导出条件下的突变和选择过程中使用的顺序蒙特卡洛建立保持这些属性。为了说明我们的研究结果,我们分析SMC算法近似状态空间模型中的过滤分布。我们展示了我们的技术如何允许放宽限制性的技术条件,在以前报道的作品,并提供理由来分析更复杂的序贯抽样策略。
2005-07-03 math.PR math.ST stat.TH
Online Rolling Controlled Sequential Monte Carlo
本研究提出ORCSMC算法,通过滚动窗口将受控序贯蒙特卡洛扩展至在线场景,用双粒子系统同步估计扭曲函数与滤波,在多模型实验中验证了其高维下更优的估计精度与鲁棒性,为复杂隐变量模型实时推断提供高效方案。
2025-08-01 stat.CO
Markov chain Monte Carlo algorithms with sequential proposals
我们探讨了一个一般的框架,在马尔可夫链蒙特卡罗(MCMC)抽样连续的建议,试图作为候选人的下一个状态的马尔可夫链。这种顺序建议框架可以应用于各种现有的MCMC方法,包括使用随机建议的梅特罗波利斯-黑斯廷斯算法和使用确定性建议的方法,如哈密顿蒙特卡罗(HMC)或弹性粒子采样器。在某些情况下,序列建议MCMC方法构造的马尔可夫链与延迟拒绝方法构造的马尔可夫链相同。在HMC的背景下,顺序提议方法已被提出为额外机会广义混合蒙特卡罗(XCGHMC)。我们开发了两种新的方法,其中的轨迹导致HMC的建议自动调整,以避免加倍回,在无掉头采样器(NUTS)。这些新方法的数值效率相比有利的NUTS。我们还表明,顺序建议弹性粒子采样器使构造的马尔可夫链通过低目标密度的区域,从而有利于更好地混合的链时,目标密度是多模态的。
2019-08-20 stat.CO stat.ML
Asynchronous Anytime Sequential Monte Carlo
我们介绍了一种新的序贯蒙特卡罗算法,我们称之为粒子级联。粒子级联是一种异步的,随时替代传统的粒子滤波算法。它不使用屏障同步,从而提高了粒子吞吐量和内存效率。它是一个随时算法,因为它可以永远运行以发射无限数量的粒子,同时保持在固定的内存预算内。我们证明了粒子级联是一个无偏的边缘似然估计,这意味着它可以直接插入到现有的伪边缘方法。
2014-07-10 stat.CO stat.ML