An Extendable Python Implementation of Robust Optimisation Monte Carlo

要約

扱いが難しい尤度を持つ統計モデルで推論を実行することは困難であるため、ほとんどの尤度自由推論 (LFI) 手法では精度と効率の限界に直面します。
このペーパーでは、Python パッケージ ELFI での LFI メソッド ロバスト最適化モンテカルロ (ROMC) の実装について説明します。
ROMC は、事後から正確に重み付けされたサンプルを提供する、新しく効率的な (高度に並列化可能な) LFI フレームワークです。
私たちの実装は 2 つの方法で使用できます。
まず、科学者はこれをすぐに使える LFI アルゴリズムとして使用できます。
ELFI の原則と調和した使いやすい API を提供し、パッケージに含まれる他のメソッドと簡単に比較できるようにします。
さらに、拡張性をサポートするために、ROMC を独立したコンポーネントに慎重に分割しました。
研究者は、すべてを最初から再実装することなく、ROMC の一部を解決するための新しい方法を実験することができます。
どちらのシナリオでも、ROMC パーツは完全に並列化された方法で実行でき、すべての CPU コアを活用できます。
また、(i) 推論プロセスの検査と (ii) 取得したサンプルの評価に役立つ機能も提供します。
最後に、いくつかの典型的な LFI 例で実装の堅牢性をテストします。

要約(オリジナル)

Performing inference in statistical models with an intractable likelihood is challenging, therefore, most likelihood-free inference (LFI) methods encounter accuracy and efficiency limitations. In this paper, we present the implementation of the LFI method Robust Optimisation Monte Carlo (ROMC) in the Python package ELFI. ROMC is a novel and efficient (highly-parallelizable) LFI framework that provides accurate weighted samples from the posterior. Our implementation can be used in two ways. First, a scientist may use it as an out-of-the-box LFI algorithm; we provide an easy-to-use API harmonized with the principles of ELFI, enabling effortless comparisons with the rest of the methods included in the package. Additionally, we have carefully split ROMC into isolated components for supporting extensibility. A researcher may experiment with novel method(s) for solving part(s) of ROMC without reimplementing everything from scratch. In both scenarios, the ROMC parts can run in a fully-parallelized manner, exploiting all CPU cores. We also provide helpful functionalities for (i) inspecting the inference process and (ii) evaluating the obtained samples. Finally, we test the robustness of our implementation on some typical LFI examples.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google