Incorporación de la adaptabilidad local del tamaño del paso en el muestreador sin giro en U utilizando la autoajuste...

Área de la Ciencia:

• Estadísticas computacionales
• Inferencia Bayesiana
• Métodos de las cadenas de Montecarlo de Markov

Sus antecedentes:

• La adaptación del tamaño del paso en el muestreador sin giro (NUTS) es compleja debido a los parámetros de afinación interdependientes.
• La determinación óptima de la longitud del recorrido requiere un tamaño de paso fijo, mientras que el tamaño ideal del paso depende de los errores del recorrido.
• Asegurar la reversibilidad del muestreador añade más complejidad al proceso de afinación.

Objetivo del estudio:

• Desarrollar un nuevo método para la adaptación del tamaño de los escalones locales dentro del algoritmo NUTS.
• Asegurar la reversibilidad del muestreador NUTS durante la adaptación.
• Mejorar la eficiencia y fiabilidad de la inferencia bayesiana utilizando NUTS.

Principales métodos:

• Propuso un método de adaptación de tamaño escalonado como una instancia del marco de ajuste automático de Gibbs (GIST).
• Desarrolló un enfoque que garantiza la reversibilidad del muestreador.
• La probabilidad de aceptación depende únicamente de la distribución condicional del tamaño del paso.

Principales resultados:

• El método propuesto adapta efectivamente el tamaño del paso a nivel local en NUTS.
• La reversibilidad está garantizada durante todo el proceso de adaptación.
• El método demostró eficacia en distribuciones difíciles como el embudo de Neal y las distribuciones normales de alta dimensión.

Conclusiones:

• El nuevo método de adaptación NUTS basado en GIST aborda con éxito los desafíos de los parámetros de ajuste interdependientes.
• Este enfoque garantiza la reversibilidad y mejora el rendimiento del muestreo en escenarios complejos.
• El método ofrece una herramienta más robusta y eficiente para el cálculo bayesiano.