Real-time Approximate Bayesian Computation for Scene Understanding
Intel（英特尔）；MIT（麻省理工学院）
考虑场景理解问题，例如预测人可能到达的位置，或从深度图像推断3D对象的姿势，或推断行人在繁忙的十字路口可能的过街。本文展示了如何解决这些问题，使用近似贝叶斯计算。底层的生成模型是从现实的仿真软件中构建的，并针对仿真输出和真实数据之间的差距采用贝叶斯误差模型。模拟器是从现成的计算机图形，视频游戏和交通模拟代码。本文介绍了两种加速推理的技术，可以单独使用或组合使用。首先是训练模拟器的神经代理，使用简单形式的域随机化，使代理对模拟和现实之间的差距更具鲁棒性。第二种方法是采用计算机图形学中的树金字塔方法对隐变量进行自适应离散化。本文还展示了对现实世界问题的性能和精度测量，确定实时的【形】解决这些问题是可行的。
2019-05-22 cs.CV cs.LG stat.ML
Fast Approximate Bayesian Computation for Estimating Parameters in Differential Equations
采用序贯蒙特卡罗方法的近似贝叶斯计算（ABC）为微分方程的参数估计、模型选择和敏感性分析提供了一个综合平台。然而，这种方法，像其他蒙特卡罗方法，招致了显着的计算成本，因为它需要显式的微分方程的数值积分进行推断。在本文中，我们提出了一种新的方法，通过使用高斯过程的导数来平滑参数估计的观测值，从而避免了显式积分的要求。我们评估我们的方法，使用合成数据所描述的模型生物系统的普通和延迟微分方程。在比较我们的方法，现有的ABC技术的性能，我们证明，它产生了可靠的参数估计在一个显着减少的执行时间。
2015-07-17 stat.ML
$γ$-ABC: Outlier-Robust Approximate Bayesian Computation Based on a Robust Divergence Estimator
The University of Tokyo（东京大学）；RIKEN AIP（理化学研究所先进智能项目中心）
近似贝叶斯计算（ABC）是一种无似然性的推理方法，已在各种应用中采用。然而，如果数据差异度量选择不当，ABC可能对离群值敏感。在本文中，我们建议使用最近邻为基础的$γ$ -分歧估计作为数据差异的措施。我们表明，我们的估计具有一个合适的理论鲁棒性的属性称为降序属性。此外，我们的估计享有各种理想的属性，如高灵活性，渐近无偏性，几乎必然收敛，线性时间的计算复杂度。通过实验，我们证明了我们的方法实现了显着更高的鲁棒性比现有的差异措施。
2021-03-05 cs.LG stat.CO stat.ME
Modelling trait dependent speciation with Approximate Bayesian Computation
系统发育是模拟物种形成的时间离散动态的领域。复杂的模型现在可以使用近似贝叶斯计算方法来研究，避免了似然计算。由于缺乏强大的软件来估计物种形成过程的众多参数，该领域的进展受到阻碍。在这项工作中，我们提出了一个R包，pcmabc，基于近似贝叶斯计算，实现了三种新的系统发育算法的性状依赖的物种形成模型。我们的系统发育比较方法考虑到模拟性状和遗传，试图估计参数的过程中产生的表型和性状。用户不限于一组预定义的模型，可以指定各种进化和分支模型。我们说明了软件的模拟重新估计研究集中在分支Ornstein-Uhlenbeck过程，其中分支率非线性地依赖于驱动Ornstein-Uhlenbeck过程的值。包括在这项工作是一个教程如何使用该软件。
2018-12-10 cs.LG q-bio.PE stat.AP
Multilevel rejection sampling for approximate Bayesian computation
无似然方法，如近似贝叶斯计算，是解决具有复杂似然函数的实际推理问题的有力工具。近似贝叶斯计算的马尔可夫链蒙特卡罗和序贯蒙特卡罗变体可以是在近似贝叶斯计算设置中对后验分布进行采样的有效技术。然而，如果不仔细考虑收敛标准和建议内核的选择，这种方法可能会导致非常有偏见的推理或计算效率低下的采样。相比之下，用于近似贝叶斯计算的拒绝抽样尽管计算密集，但会导致来自近似后验的独立的、相同分布的样本。提出了一种加速无似然贝叶斯推断的替代方法，该方法将多级蒙特卡罗方差缩减技术直接应用于拒绝抽样。所得到的方法保留了拒绝抽样的精度优势，同时显着提高了计算效率。
2018-02-28 stat.CO
Non-linear regression models for Approximate Bayesian Computation
基于概括统计的近似贝叶斯推断非常适合于可能性在数学上或计算上难以处理的复杂问题。然而，当汇总统计量的数量增加时，使用拒绝的方法遭受维数灾难。在这里，我们提出了一种机器学习方法，通过引入两个创新的后验密度的估计。该方法首先将参数的非线性条件异方差回归拟合到汇总统计量上，然后利用重要性抽样自适应地改进估计。新算法相比，国家的最先进的近似贝叶斯方法，并实现了相当大的减少计算负担的两个例子中的推理统计遗传学和一个推理模型。
2009-02-23 stat.CO stat.ML
On the parameter estimation of ARMA(p,q) model by approximate Bayesian computation
本文用近似贝叶斯算法给出了ARMA（p，q）模型的参数估计。为了提高算法的抽样效率，近似贝叶斯计算应尽可能多地选取低维参数信息的统计量。首先，利用第一个p+q阶样本的自相关系数作为统计量，得到AR系数的近似贝叶斯估计，将ARMA（p，q）模型转化为MA（q）模型。以前q阶样本自相关函数和样本方差为统计量，给出了MA系数和白噪声方差的近似Bayes估计。数值模拟和实验研究表明，该方法比极大似然估计具有更高的精度和更强的估计能力。
2019-04-30 stat.CO
A Guide to General-Purpose Approximate Bayesian Computation Software
本章，“通用ABC软件指南”，将出现在即将出版的近似贝叶斯计算手册（2018）中。我们目前的通用软件来执行近似贝叶斯计算（ABC）的R-包ABC和EasyABC和C++程序ABCtoolbox中实现。通过简单的玩具模型，我们演示了如何进行参数推断，模型选择，验证和汇总统计量的最佳选择。我们演示了如何结合ABC与马尔可夫链蒙特卡罗和描述一个现实的群体遗传学应用。
2018-06-21 stat.CO
Finding our Way in the Dark: Approximate MCMC for Approximate Bayesian Methods
有了更大的数据，科学家们就有勇气去解决那些需要复杂的统计模型的复杂问题。对于后者来说，具有似然函数而无法用解析公式表示是很平常的。即使在这样的逆境下，当可以从抽样分布进行模拟时，也可以使用近似贝叶斯计算（ABC）或贝叶斯合成似然法（BSL）等近似方法进行贝叶斯分析。这些方法的一个显著缺点是所需的模拟数量可能非常大，从而严重限制了它们的范围。在本文中，我们设计的扰动MCMC采样器，可用于在ABC和BSL范式显着加快计算，同时保持控制的计算效率。拟议中的战略依赖于从连锁店的过去回收样本。算法设计的理论分析支持，而实际性能通过一系列的仿真例子和数据分析进行检查。
2019-05-16 stat.CO
Improving approximate Bayesian computation via quasi-Monte Carlo
近似贝叶斯计算（ABC）是处理具有难处理的可能性的模型的一般方法。在这项工作中，我们推导出基于QMC（准蒙特卡罗）序列的ABC算法。我们表明，由此产生的ABC估计有一个较低的方差比他们的蒙特卡罗的对手。我们还开发了顺序ABC算法的QMC变体，逐步适应提案分布和接受阈值。我们说明了我们的QMC方法，通过几个例子从ABC文学。保留字：近似贝叶斯计算，无似然推断，拟蒙特卡罗，随机化拟蒙特卡罗，自适应重要性抽样
2018-05-07 stat.CO
Testing model specification in approximate Bayesian computation
我们提出了一个程序来诊断模型的误指定的情况下，推理是使用近似贝叶斯计算。我们从理论上和经验上证明，这个过程可以始终如一地检测到模型误指定的存在。我们的例子表明，这种方法提供了良好的有限样本的性能，是计算量小于现有的方法，所有这些都需要重新运行的推理算法。实证应用建模汇率日志回报使用g和k分布完成的文件。
2022-10-23 stat.ME
Probably approximate Bayesian computation: nonasymptotic convergence of ABC under misspecification
CFM
近似贝叶斯计算（ABC）是贝叶斯统计中广泛使用的一种推理方法，可以绕过逐点计算似然。在本文中，我们开发的理论界限之间的距离，在ABC的统计。我们表明，ABC的某些版本是固有的强大的误指定。在有限样本量下，以Oracle不等式的形式给出了其界.明确了对参数空间的维数和统计量的依赖性。结果表明，在参数空间中，所得结果服从预言不等式。我们将我们的理论结果应用于给定的先验分布和数据生成过程，包括非参数回归模型。在本文的第二部分中，我们提出了一个顺序蒙特卡罗（SMC）从伪后验采样，改进了最先进的采样器。
2019-01-01 cs.LG math.ST stat.CO
Adaptive approximate Bayesian computation
顺序技术可以提高效率的近似贝叶斯计算算法，如在Sisson等人。的（2007）部分拒绝控制版本。虽然这种方法是基于Del Moral等人（2006）的理论工作，但应用于近似贝叶斯计算会导致后验近似的偏差。基于真正的重要性抽样参数的替代版本与Cappe等人（2004）的总体蒙特卡罗方法相关，绕过了这个困难，并且它包括前向内核的自动缩放。当应用于人口遗传学的例子，它相比，毫不逊色于其他两个版本的近似算法。
2009-03-28 stat.CO
Modelling extremes using approximate Bayesian Computation
根据其构造的性质，许多极值的统计模型导致计算上禁止评估的似然函数。因此，这对于基于似然性的推理来说是有问题的。以贝叶斯框架为重点，本章探讨了使用近似贝叶斯计算（ABC）技术来拟合和分析极端情况的统计模型。在介绍了ABC算法和方法背后的思想之后，我们展示了它们在体视学和空间极值中的极值模型的应用。
2014-11-05 stat.CO stat.ME
On the use of approximate Bayesian computation Markov chain Monte Carlo with inflated tolerance and post-correction
近似贝叶斯计算允许使用模型模拟来推断具有棘手可能性的复杂概率模型。近似贝叶斯计算的马尔可夫链蒙特卡罗实现通常对容差参数敏感：低容差导致不良混合，大容差导致过度偏差。我们考虑一种方法，使用一个相对较大的公差的马尔可夫链蒙特卡罗采样器，以确保其充分的混合，和后处理的输出导致估计的范围内更精细的公差。我们引入了一个近似的置信区间相关的后校正估计，并提出了一个自适应的近似贝叶斯计算马尔可夫链蒙特卡罗，找到一个“平衡”的容忍度自动水平，接受率优化的基础上。我们的实验表明，基于后处理的估计器可以执行更好的比直接马尔可夫链瞄准一个很好的公差，我们的置信区间是可靠的，我们的自适应算法导致可靠的推理与用户规格很少。
2019-05-16 stat.CO
Evaluation of mineralogy per geological layers by Approximate Bayesian Computation
提出了一种基于贝叶斯线性回归模型的矿物学反演方法。我们的方法基本上依赖于三个步骤。第一步利用近似贝叶斯计算（ABC），并从贝叶斯生成器中选择一组与井筒数据响应密切对应的候选体积。第二步通过基于密度的聚类算法收集这些候选项。通过直接矿物学反演将矿物情景分配给每个聚类，并且我们为每个岩性假设提供置信度估计。这种方法的优点是探索所有可能的矿物学假设，匹配的井筒数据。该管道在合成和真实数据集上进行了测试。
2019-05-28 physics.geo-ph stat.AP
Multilevel Monte Carlo in Approximate Bayesian Computation
在下面的文章中，我们考虑近似贝叶斯计算（ABC）推理。我们介绍了一种使用多级蒙特卡罗（MLMC）的ABC后验的数值逼近方法。一个序贯蒙特卡罗版本的方法开发，它是在一定的假设下，对于一个给定的水平的均方误差，这种方法的ABC具有较低的成本比i.i.d.从最精确的ABC近似中采样。给出了几个数值例子。
2017-02-13 stat.ME
Simple trees in complex forests: Growing Take The Best by Approximate Bayesian Computation
启发式策略如何从较小的构建模块中产生？我们提出近似贝叶斯计算作为这个问题的计算解决方案。作为概念的第一个证明，我们演示了如何从较小的概率更新的构建块中学习启发式决策策略，如采取最佳策略（TTB）。基于一个自我强化的抽样方案，不同的积木组合，随着时间的推移，树状非补偿性的进化出现。这种新的算法，创造近似贝叶斯计算取最好的（ABC-TTB），能够恢复由TTB生成的数据集，导致有关线索重要性和线索方向的合理推断，可以优于传统的TTB，并允许权衡性能和计算工作明确。
2016-05-14 stat.AP
New Insights Into Approximate Bayesian Computation
近似贝叶斯计算（简称ABC）是一种计算技术，它在后验似然估计在计算上是禁止的情况下，或者在合适的似然不可用时，提供了一种几乎自动化的解决方案。在本文中，我们分析的过程中，从k-近邻理论的角度来看，并探讨其输出的统计特性。我们讨论特别是一些渐近特性的真正的条件密度估计与ABC，这是一个有趣的混合之间的k-最近邻和核方法。
2013-06-03 math.ST stat.TH
Approximate Bayesian Computations to fit and compare insurance loss models
近似贝叶斯计算（ABC）是一种通过比较观测数据和模拟数据来校准和选择模型的统计学习技术。这种技术绕过了可能性的使用，只需要从感兴趣的模型生成合成数据的能力。我们应用ABC来使用汇总数据拟合和比较保险损失模型。提出了一种最先进的ABC在Python中的实现。它使用序贯蒙特卡罗从后验分布和瓦瑟斯坦距离比较观察到的和合成的数据。
2021-05-01 stat.CO
Convergence of Regression Adjusted Approximate Bayesian Computation
我们给出了Beaumont（2002）引入的近似贝叶斯计算的回归调整版本的渐近结果。我们表明，对于一个适当的选择的带宽，回归调整将导致后，渐近，正确量化的不确定性。此外，对于这样的带宽选择，我们可以实现重要性采样算法来从后验中采样，其接受概率随着数据样本量的增加而趋于统一。这与标准近似贝叶斯计算的结果相比是有利的，在标准近似贝叶斯计算中，获得正确量化不确定性的后验的唯一方法是选择小得多的带宽;对于该带宽，接受概率趋于零，因此蒙特卡洛误差将占主导地位。
2017-11-28 math.ST stat.CO stat.TH
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。
2009-01-14 stat.CO stat.ME
Approximate Bayesian Computation for Lorenz Curves from Grouped Data
提出了一种新的基于分组数据的Lorenz曲线估计基尼系数的贝叶斯方法。所提出的方法假设一个假设的收入分布和估计的参数直接工作的似然函数隐含的洛伦兹曲线的收入分布从分组数据。它继承了现有的两种方法的优点，通过这两种方法可以更准确地估计基尼系数，并提供了一个简单的解释有关的收入分配。由于似然函数是隐式定义的，因此采用了基于序贯蒙特卡罗方法的近似贝叶斯计算方法。通过模拟研究和日本的收入数据说明了所提出的方法的实用性。
2017-08-09 stat.AP
Advances in Approximate Bayesian Inference for Models in Epidemiology
本综述探讨了近似贝叶斯推断在流行病学建模中的应用，重点评估了四类方法在平衡推断准确性与可扩展性方面的创新，并提供了方法选择的实用指南。
2025-04-28 stat.CO stat.ME
Parameter estimation in dynamical systems via Statistical Learning: a reinterpretation of Approximate Bayesian Computation applied to COVID-19 spread
提出了一种基于统计学习技术的动态系统鲁棒参数估计方法，该方法的目的是估计出一组与动态系统相适应的参数，以获得关于其轨迹定性行为的鲁棒证据.该方法是相当通用和灵活的，因为它不依赖于任何特定的动力系统的属性，并代表了近似贝叶斯计算方法通过统计学习的镜头重新解释。该方法特别适用于流行病学房室模型中的参数估计，以获得疾病演变的定性性质。我们将其应用于美国COVID-19传播的模拟和真实数据，以定性评估其随时间的演变，显示如何评估为减缓传播而实施的措施的有效性以及疾病当前和未来演变的一些定性特征。
2021-02-25 q-bio.PE stat.ME stat.ML
On the Asymptotic Efficiency of Approximate Bayesian Computation Estimators
许多统计应用涉及的模型，很难评估的可能性，但它是相对容易的样本。近似贝叶斯计算是在这种情况下实现贝叶斯推断的无似然方法。我们目前的结果估计的渐近方差使用近似贝叶斯计算在大数据限制。我们的关键假设是，数据是由一个固定维的汇总统计，服从中心极限定理。我们证明了近似贝叶斯计算后验均值的渐近正态性。这个结果还表明，在渐近方差方面，我们应该使用与参数向量p维数相同的汇总统计量;并且任何更高维数的汇总统计量都可以通过线性变换以仅能减少后验均值的渐近方差的方式减少到维数p。我们看看如何蒙特卡罗误差的重要性抽样算法的样本从近似贝叶斯计算后影响估计的准确性。我们给出了重要性抽样建议分布的条件，使得估计量的方差与基于汇总统计量的极大似然估计量的方差为同一阶。这表明了一个迭代的重要性抽样算法，我们经验评估的随机波动率模型。
2017-11-28 math.ST stat.ME stat.TH
Robust and Efficient Approximate Bayesian Computation: A Minimum Distance Approach
在许多情况下，近似贝叶斯方法的应用受到两个实际特征的阻碍：1）将数据向下投影到低维摘要的要求，包括这种投影的选择，这最终会产生低效的推理; 2）可能缺乏对基础模型结构偏差的鲁棒性。出于这些效率和鲁棒性的问题，我们构建了一个新的贝叶斯方法，可以提供有效的估计时，底层模型是指定的，同时是强大的某些形式的模型误指定。这种新方法通过考虑经验和模拟概率测度之间的范数来绕过摘要的计算。对于特定的选择的规范，我们证明了这种方法可以提供点估计，是使用精确的贝叶斯推断，同时也显示鲁棒性的基础模型假设的偏差所获得的效率。
2020-06-25 econ.EM math.ST stat.ME
Robust Approximate Bayesian Computation: An Adjustment Approach
我们提出了一种新的方法来近似贝叶斯计算（ABC），旨在满足可能的误指定的假设模型。这种新的方法可以同样适用于拒绝为基础的ABC和流行的回归调整ABC。我们证明，这种新的方法减轻了回归调整ABC的性能不佳，可以发生时，模型被错误指定。此外，这种新的调整方法使我们能够检测到哪些特征的观测数据不能可靠地再现的假设模型。一系列的模拟和实证的例子说明了这种新的方法。
2020-08-07 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
The Use of a Single Pseudo-Sample in Approximate Bayesian Computation
我们分析了近似贝叶斯计算（ABC）的计算效率，它近似的似然函数从相关的模型中提取伪样本。对于ABC的拒绝抽样版本，已知的是，与采用基于单个伪样本的高方差估计相比，多个伪样本不能显著增加（并且可以显著降低）算法的效率。我们表明，这一结论也适用于马尔可夫链蒙特卡罗版本的ABC，这意味着它是不必要的调整伪样本的数量在ABC-MCMC。这一结论与粒子MCMC方法相反，对于粒子MCMC方法，增加粒子的数量可以在计算效率上提供很大的增益。
2016-02-16 math.ST stat.CO stat.TH
Approximating the Likelihood in Approximate Bayesian Computation
本章将出现在即将出版的近似贝叶斯计算手册（2018）中。支撑近似贝叶斯计算（ABC）的概念和方法框架主要针对可能性具有挑战性或缺失的问题。ABC使用基于模拟的非参数估计汇总统计量的可能性，并假设从模型生成数据在计算上是便宜的。本章回顾了两种估计棘手的可能性的替代方法，目的是减少必要的模型模拟，以产生近似的后验。其中第一个是合成似然（SL）的贝叶斯版本，最初由Wood（2010）开发，它使用多变量正态近似来概括统计似然。使用ABC的参数近似而不是非参数近似，可以减少所需的模型模拟的数量。我们在本章中考虑的第二种似然近似方法是基于经验似然（EL），这是一种非参数技术，涉及在一组矩约束下最大化经验构建的似然。Mengersen et al（2013）修改了EL框架，以便它可以用于形成ABC可以应用的问题的近似后验，即具有棘手可能性的模型。然而，与ABC和贝叶斯SL（BSL）不同，贝叶斯EL（BCel）方法可以在某些情况下完全避免模型模拟。BSL和BCel方法说明了不同复杂性的模型。
2018-03-18 stat.CO stat.ME
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。
2020-10-12 stat.CO
Optimal proposals for Approximate Bayesian Computation
我们使用序贯蒙特卡罗（SMC）（或人口蒙特卡罗，PMC）推导出近似贝叶斯计算（ABC）的最佳建议密度。最优性的标准是SMC/PMC-ABC采样器最大化每个参数建议的有效样本样本个数。最优建议密度代表了有利于高接受率和减少接受样本的重要性权重方差之间的最优权衡。我们讨论了两个方便的近似这个建议，并表明，最佳的建议密度提供了一个显着的提升，在预期的抽样效率相比，在ABC文献中常用的标准内核，特别是参数的数量增加。
2018-08-18 math.ST stat.ME stat.TH
Approximate Bayesian Computation via Sufficient Dimension Reduction
近似贝叶斯计算（ABC）由于其易于实现、解释性好和性能好等优点，近年来得到了广泛的应用。当遇到复杂的模型时，它的优点更加明显，其中极大似然估计以及通过马尔可夫链蒙特卡罗进行的贝叶斯分析需要大量的时间。本文从理论和计算两个角度研究了ABC的性质，并通过证明与其极限行为有关的定理来巩固ABC理论。特别是，我们认为部分后验，这是第一步接近完整的后验。提出了一种基于充分降维（SDR）的ABC半自动算法。SDR主要出现在频率论文献中。但我们在本文中已经证明了它与ABC也有联系。
2016-08-18 stat.CO
Recalibration: A post-processing method for approximate Bayesian computation
提出了一种新的重新校准后处理方法，以提高近似贝叶斯计算（ABC）算法的后验近似质量。重新校准可以与现有的后处理方法结合使用，例如回归调整。此外，这项工作扩展和加强ABC和间接推理算法之间的联系，允许更广泛地使用错误指定的辅助模型在ABC的上下文中。该方法使用模拟的例子来说明在各种条件下的重新校准的效果，并通过应用程序的体视学极端的分析和不使用辅助模型。实现重新校准后处理的代码在R包abctools中提供。
2017-04-21 stat.CO stat.ME
Approximate Bayesian Computation for a Class of Time Series Models
在下面的文章中，我们考虑近似贝叶斯计算（ABC）的某些类别的时间序列模型。特别是，我们专注于的情况下，观测和参数的可能性是棘手的，我们的意思是，一个不能评估的可能性，甚至高达一个积极的无偏估计。本文回顾和发展了一类近似程序的基础上的ABC的想法，但，具体地保持了原来的统计模型的概率结构。这个想法是有用的，因为它可以促进分析的偏差的近似和适应的参数推断建立的计算方法。在文献中的几个现有的结果进行了调查和新的发展方面的计算。
2014-01-01 stat.CO
Informed Sub-Sampling MCMC: Approximate Bayesian Inference for Large Datasets
本文介绍了一个框架，以加快贝叶斯推断进行大数据集的存在。我们设计了一个马尔可夫链，其过渡内核使用（未知）部分（固定大小）的可用数据，在整个算法中随机刷新。受近似贝叶斯计算（ABC）文献的启发，二次抽样过程由对观察数据的保真度指导，如通过汇总统计测量的。由此产生的算法，知情子采样MCMC（ISS-MCMC），是一个通用的和灵活的方法，相反，现有的可扩展的方法，保留了简单的梅特罗波利斯-黑斯廷斯算法。即使失去了准确性，即链分布近似后验，我们研究和量化理论上的这种偏见，并显示在一组不同的例子，它产生出色的性能时，计算预算是有限的。如果可用和廉价的计算，我们表明，设置汇总统计量的极大似然估计是支持的理论论据。
2018-05-31 stat.CO stat.ME
Light and Widely Applicable MCMC: Approximate Bayesian Inference for Large Datasets
LWA-MCMC是Metropolis-Hastings核的一种新的近似方法，目标是在大量观测值上定义的后验分布。受近似贝叶斯计算的启发，我们设计了一个马尔可夫链，其过渡利用了一个未知的，但固定的，可用数据的一部分，其中子样本的随机选择是由该子样本的保真度所指导的观察到的数据，作为衡量总结（或足够）的统计。LWA-MCMC是一种通用而灵活的方法，正如我们探索的各种示例所示。在每一种情况下，LWA-MCMC产生优异的性能，在某些情况下，与现有的方法相比，有显着的改善。
2015-11-24 stat.ME
Summary Statistics in Approximate Bayesian Computation
这篇文章将作为即将出版的由S。Sisson，Y. Fan和M.博蒙特由于最早的工作ABC，人们已经认识到，使用汇总统计是必不可少的，以产生有用的推理结果。这是因为ABC受到维数效应的诅咒，因此使用高维输入会导致输出中的大近似误差。因此，至关重要的是要找到低维摘要，这是信息的参数推断或模型选择任务在手。本章回顾了为选择此类摘要而提出的方法，扩展了Blum et al.（2013）先前的综述论文，并介绍了最新进展。对ABC维数灾难和充分性的相关理论结果也进行了讨论。
2015-12-17 math.ST stat.CO stat.ME
Approximate Bayesian Computation in controlled branching processes: the role of summary statistics
受控分枝过程是一类随机增长的种群模型，其中每一代具有繁殖能力的个体数由一个随机控制函数控制。这项工作的目的是检查近似贝叶斯计算（ABC）的方法，并提出适当的汇总统计，为他们在这些过程的背景下。这种方法能够令人满意地近似感兴趣的参数的后验分布，而无需明确的似然计算，并在一组最小的假设。特别地，提供了容差剔除算法、序贯蒙特卡罗ABC算法和基于局部线性回归的后采样校正方法。通过一个用统计软件R.
2019-07-01 stat.ME
Transdimensional Approximate Bayesian Computation for Inference on Invasive Species Models with Latent Variables of Unknown Dimension
关于非本地物种的引进和传播模式的准确信息对于作出预测和管理决策至关重要。在许多情况下，估计未知的引进和传播率从观察到的数据需要评估棘手的变维积分。一般而言，对包含大或可变维度潜变量的大类模型的推断排除了精确的抽样技术。近似贝叶斯计算（ABC）方法提供了一种替代精确采样，但依赖于效率低下的条件模拟的潜在变量。为了有效地完成这一任务，一个新的transdimensional蒙特卡罗采样器的近似贝叶斯模型的推理和用于估计的引进和传播率的非本地的热带植物种Dendrobaena octagedra（萨维尼）沿道路在艾伯塔省北部的北方森林。使用低和高估计的引进和传播率，在艾伯塔省东北部的入侵程度进行了模拟，以预测入侵的数据收集后的一年中，合适的栖息地的比例。
2014-12-30 stat.ME
Approximate Bayesian computation and Bayes linear analysis: Towards high-dimensional ABC
贝叶斯线性分析和近似贝叶斯计算（ABC）是复杂模型贝叶斯分析中常用的技术。在这篇文章中，我们连接这些想法，证明回归调整ABC算法产生的样本，一阶和二阶矩总结近似调整后的期望值和方差的贝叶斯线性分析。这使得回归调整方法在高维问题的探索性分析中具有有用的解释和作用。因此，我们提出了一种新的方法，结合高维，回归调整ABC与低维的方法（如使用MCMC ABC）。该方法首先通过回归调整ABC得到联合后验的粗略估计，然后在低维分析中分别估计每个单变量的边缘后验分布。然后修改初始估计的边缘分布以等于单独估计的边缘，从而提供联合后验的改进估计。我们用几个例子来说明这种方法。本文的补充材料可在网上查阅。
2012-12-07 stat.CO stat.ME
Inference for SDE models via Approximate Bayesian Computation
由随机微分方程（SDEs）定义的模型允许表示动态系统中的随机变化。这类模型的相关性在许多应用研究领域中不断增长，并且已经是模拟例如金融、神经元和人口增长动态的标准工具。然而，多维模型的推理仍然是非常具有挑战性的，无论是在计算上还是在理论上。近似贝叶斯计算（ABC）允许对足够复杂的模型执行贝叶斯推断，所述模型使得似然函数在分析上不可用或在计算上禁止评估。提出了一种计算效率高的ABC-MCMC算法，在我们的模拟运行时间减半。重点是在这种情况下，在状态空间模型中描述潜在的动态，但该方法并不限于状态空间框架。药代动力学/药效学模型和随机化学反应的模拟研究被认为是一个MATLAB软件包实现我们的ABC-MCMC算法。
2013-11-08 stat.AP stat.CO stat.ME
A multifidelity approximate Bayesian computation with pre-filtering
School of Statistics and Data Science, Nankai University（南开大学统计与数据科学学院）；Institute of Mathematical Sciences, ShanghaiTech University（上海科技大学数学科学研究所）
本文提出了一种基于多保真度模拟模型的近似贝叶斯计算方法，通过预过滤分层重要性采样算法提高计算效率，并提供评估多保真度模型适用性的实用策略。
2026-02-02 stat.CO
Kernel-based Approximate Bayesian Inference for Exponential Family Random Graph Models
指数族随机图模型的贝叶斯推断是一个双重难题，因为似然和后验归一化因子都很难确定。基于辅助变量的马尔可夫链蒙特卡罗（MCMC）方法对这个问题是渐近精确的，但计算量大，很难扩展到修改的ERGM家庭。在这项工作中，我们提出了一个基于核的近似贝叶斯计算算法拟合ERGM。通过采用自适应重要性抽样技术，我们大大提高了抽样步骤的效率。虽然近似，但我们易于并行化的方法可以产生与最先进的方法相当的准确性，并在多核硬件上大幅改善计算时间。我们的方法还灵活地适应算法的增强（包括改进的学习算法估计条件期望）和扩展到非标准的情况下，如推断非充分统计量。我们证明了这种方法的性能在两个著名的网络数据集，比较其准确性和效率与使用近似交换算法得到的结果。我们的测试显示，五个内核的挂钟时间优势高达50%，并且能够在30个内核时以1/5的时间适应模型;当更多内核可用时，进一步的速度增强是可能的。
2020-07-14 stat.CO
Goodness-of-fit statistics for approximate Bayesian computation
近似贝叶斯计算是一种统计框架，它使用数值模拟来校准和比较模型。近似贝叶斯计算依赖于数值模拟，而不是计算似然函数，这使得它适用于生态学和进化中的复杂模型。与统计建模一样，评估拟合优度是近似贝叶斯计算的基本步骤。在这里，我们介绍了一种基于假设检验的拟合优度方法。我们引入了两个检验统计量的基础上的平均距离之间的数值汇总的数据和模拟的。一个检验统计量依赖于用先验预测分布模拟的汇总，而另一个依赖于后验预测分布的模拟。对于不同的聚结模型，我们发现，统计校准良好，这意味着第一类错误可以控制。然而，两种统计量的统计功效在20%至100%的模型中变化极大。在人口推断模型中，这两种统计数据之间的功效差异可以忽略不计，但在一个额外的纯统计示例中，差异很大。在分析重新排序数据以评估人类人口模型时，这两个统计数据证实，亚洲和欧洲数据不能排除非洲以外的瓶颈。我们还考虑了两种形态的蝴蝶物种复杂的背景下模型。一个拟合优度统计量表明两个模型的拟合差，使用后验预测检查确定了导致拟合差的数值总结。拟合优度的统计检验应促进近似贝叶斯计算中模型拟合的评估。基于先验预测分布模拟的检验统计量在R abc包的gfit函数中实现。
2016-01-15 stat.ME
Hierarchical surrogate-based Approximate Bayesian Computation for an electric motor test bench
从噪声时间序列数据中推断复杂工业系统的参数分布需要处理底层数据和所用仿真模型的不确定性的方法。贝叶斯推断非常适合于这些不确定的逆问题。用于识别不确定参数的标准方法是马尔可夫链蒙特卡罗（MCMC）方法，其具有似然函数的显式评估。然而，如果可能性是非常复杂的，这样它的评估是计算昂贵的，甚至在其显式形式未知，近似贝叶斯计算（ABC）方法提供了一个有前途的替代方案。在这项工作中，这两种方法首先适用于人工生成的数据和第二个现实世界的问题，通过使用电动机测试台的数据。我们表明，这两种方法都能够推断不同的参数分布与贝叶斯分层方法。但是所提出的ABC方法在计算上要高效得多，以便获得具有类似精度的结果。我们建议使用汇总统计，以减少数据的维数，显着提高算法的效率。此外，仿真模型被多项式混沌扩展（PCE）替代，以加快模型评估。我们证明了一致性的建议替代为基础的ABC方法与汇总统计量在温和的条件下（近似）的前向模型。
2021-06-17 math.OC physics.data-an stat.AP
Pre-processing for approximate Bayesian computation in image analysis
现有的近似贝叶斯计算（ABC）算法大多假设在每次迭代中从模型中模拟伪数据是可行的。然而，这些模拟的计算成本对于高维数据可能是过高的。一个重要的例子是Potts模型，它通常用于图像分析。在现实世界的应用中遇到的图像可能有数百万像素，因此可扩展性是一个主要问题。我们将ABC与合成似然应用于具有加性高斯噪声的隐藏Potts模型。使用预处理步骤，我们拟合绑定函数来模拟模型参数和合成似然参数之间的关系。我们的数值实验表明，预先计算的绑定函数大大提高了ABC的可扩展性，将模型拟合所需的平均运行时间从71小时减少到仅7分钟。我们还说明了遥感卫星图像的平滑参数估计的方法。没有预先计算，贝叶斯推断对于这种规模的数据集是不切实际的。
2014-09-05 stat.CO
Adaptive Approximate Bayesian Computation Tolerance Selection
近似贝叶斯计算（ABC）方法越来越多地用于在似然函数计算成本高或难以评估的情况下进行推理。对基本的ABC拒识算法进行了扩展，提高了算法的计算效率，扩大了算法的适用范围。Beaumont等人（2009）的ABC-群体蒙特卡罗（ABC-PMC）方法已成为后验近似抽样的流行选择。ABC-PMC是一个顺序采样器，具有迭代递减的公差值，它指定了模拟数据需要与真实数据接近的程度才能接受。我们提出了一种自适应选择一个序列的公差，提高了其他常见技术的算法的计算效率的方法。此外，我们定义了一个停止规则作为适应过程的副产品，这有助于自动终止采样。建议的自动ABC-PMC算法可以很容易地实现，我们提出了几个例子证明其好处的计算效率。
2020-04-30 stat.AP stat.CO stat.ME
Robustifying Approximate Bayesian Computation
针对近似贝叶斯计算在模型误设下性能不可靠的问题，提出一种对模型误设具有鲁棒性的新型ABC方法，能提供更准确的统计推断并检测不相容的摘要统计量。
2025-04-07 stat.CO stat.ME
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。
2017-10-24 stat.CO stat.ME
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。
2015-03-26 math.ST stat.CO stat.TH
Accelerating inference for diffusions observed with measurement error and large sample sizes using Approximate Bayesian Computation
近年来，动力学建模已经提供了一系列突破性的方法来执行精确的贝叶斯推断。然而，在大型数据集和复杂模型的背景下应用精确的统计方法学在计算上通常是不可行的。本文考虑了具有相关测量误差的非线性随机微分方程模型及其在蛋白质折叠建模中的应用。近似贝叶斯计算（ABC）MCMC算法，建议允许在合理的时间限制内的模型参数的推断。ABC算法使用来自假设数据生成模型的“子样本”的模拟以及所谓的“早期拒绝”策略来加速ABC-MCMC采样器中的计算。对于所考虑的应用程序，使用考虑周全的子样本量似乎不会降低推理结果的质量。进行了模拟研究，比较我们的策略与精确的贝叶斯推断，后者导致两个数量级慢于ABC-MCMC所考虑的设置。最后将ABC算法应用于一个大规模的蛋白质数据。所建议的方法是相当普遍的，并不局限于示例模型和数据。
2014-12-22 stat.AP stat.CO
Approximate Bayesian Computation and Model Validation for Repulsive Spatial Point Processes
在许多涉及空间点模式的应用中，我们发现了抑制或排斥的证据。最常用的一类模型，这样的设置是吉布斯点过程。最近的一个替代方法，至少对统计界来说，是决定点过程。在这里，我们研究模型拟合和推理这两类过程中的贝叶斯框架。虽然可以使用通常的MCMC模型拟合，但算法很复杂，并且并不总是表现良好。我们建议使用近似贝叶斯计算（ABC）这样的拟合。这种方法变得很有吸引力，因为虽然可能性对于这些过程来说非常具有挑战性，但是给定参数值的实现的生成相对简单。因此，ABC拟合方法非常适合这些模型。此外，这种模拟使它们非常适合后验预测推理以及模型评估。我们提供了所有上述的细节，以及一些模拟调查和一个说明性的分析点模式的树数据表现出排斥。补充材料中包括R代码和数据集。
2016-08-26 stat.CO stat.ME
