3. 11.2 マルコフ連鎖モンテカルロ
• 高次元の場合にも適用可能なサンプリングア
ルゴリズム
( )
• 現在のサンプルの状態 z に合わせて,提
案分布の形を変えて z ( 1) をサンプリング
( )
z がマルコフ連鎖になる
• 以下の条件の元でMetropolisアルゴリズムに
より目標分布 p(z) のサンプリングが可能
~(z) / Z とした時, ~(z) が計算可能
– p(z ) p p
p
– 提案分布で q(z A | z B ) q(z B | z A ) が成立
4. Metropolisアルゴリズム
( )
1. 現在の状態を z とする
q z | z ( )
~z
p
z ( )
5. Metropolisアルゴリズム
( )
2. 提案分布 q(z | z ) からサンプル z * を抽出する
z* z ( )
15. ランダムウォークの性質
• z ( 0)
0 の時,
0
Ez ( )
/ 2
E z ( ) 2
イメージ図
0
に比例する距離しか探索が進まない
MCMCの設計において,ランダムウォーク的性質を避けるのが重要!
16. 11.2.1 マルコフ連鎖
求めたい分布をサンプリングするために満たす
べきマルコフ連鎖の性質
1. 求めたい分布 p(z) が不変となるようなマルコフ連鎖(詳細釣
り合い条件)
2. m の時,初期分布p (z ) の選択に関わらず,分布p ( z )
(0) (m )
が求めたい不変分布 p * (z ) に収束する(エルゴード性)
p (z (1) | z ( 0 ) ) p (z ( m 1) | z ( m ) )
p(z ( 0) ) p ( z (m ) ) p* (z )
z (0) z (1)
z (m )
z ( m 1)
17. マルコフ連鎖
( m 1) ( m 1)
p(z (1)
| z ,, z (m)
) p(z |z (m)
) (11.37)
p (z (1) | z ( 0 ) ) p (z ( m 1) | z ( m ) )
z (0) z (1)
z (m )
z ( m 1)
18. マルコフ連鎖
遷移確率:
Tm (z ( m1) , z ( m) ) p(z ( m1) | z ( m) )
T1 (z (1) , z ( 0) ) Tm (z ( m1) , z ( m) )
z (0) z (1)
z (m )
z ( m 1)
19. マルコフ連鎖
遷移確率:
Tm (z ( m1) , z ( m) ) p(z ( m1) | z ( m) )
均一マルコフ連鎖:
Tm (z ( m1)
,z ( m)
) Tm1 (z ( m)
,z ( m1)
) T (z, z)
T (z, z) T (z, z)
z (0) z (1)
z (m )
z ( m 1)
20. マルコフ連鎖
不変分布:
分布がマルコフ連鎖の各ステップで変わらない
p (z ( m 1) ) p (z ( m 1) | z ( m ) ) p (z ( m ) ) (11.38)
z(m)
p* (z ) T (z, z ) p* (z) (11.39)
z
均一マルコフ連鎖
21. マルコフ連鎖
詳細釣り合い条件:
p * (z ) が不変分布であるための十分条件
p * (z )T (z, z) p * (z)T (z, z ) (11.40)
p* (z ) T (z, z ) p* (z) (11.39)
z
22. マルコフ連鎖
詳細釣り合い条件:
p * (z ) が不変分布であるための十分条件
p * (z )T (z, z) p * (z)T (z, z ) (11.40)
p (z
z
*
)T (z, z ) p * (z )T (z, z)
z
(11.41)
p * ( z ) p ( z | z ) p * ( z )
z
23. マルコフ連鎖
求めたい分布をサンプリングするために満たす
べきマルコフ連鎖の性質
1. 求めたい分布 p(z) が不変となるようなマルコフ連鎖(詳細釣
り合い条件)
2. m の時,初期分布p (z ) の選択に関わらず,分布p ( z )
(0) (m )
が求めたい不変分布 p * (z ) に収束する(エルゴード性)
p (z (1) | z ( 0 ) ) p (z ( m 1) | z ( m ) )
p(z ( 0) ) p ( z (m ) ) p* (z )
z (0) z (1)
z (m )
z ( m 1)
26. 遷移確率
• 遷移確率を「基本」遷移の組から構築する
組み合わせ その2
T (z, z) B1 (z, z1 ) BK 1 (z K 2 , z K 1 ) BK (z K 1 , z)
z1 z K 1
(11.43)
Bk ( z , z ) が詳細釣り合い条件満たしても, (z, z) も満た
T
すとは限らない.
B1 ,, BK , BK ,, B1 の形に対称化することで,満たされるようになる.
27. 遷移確率
• B1 ,, BK , BK ,, B1 の形に対称化した場合の詳細
釣り合い条件の展開(K=2の例)
p (z)T (z, z ) p (z) B1 (z, z1 ) B2 (z1 , z 2 ) B2 (z 2 , z1 ) B1 (z1 , z )
z1 z2
B1 (z1 , z) p (z1 ) B2 (z1 , z 2 ) B2 (z 2 , z1 ) B1 (z1 , z )
z1 z2
B1 (z1 , z) B2 (z 2 , z1 ) p (z 2 ) B2 (z 2 , z1 ) B1 (z1 , z )
z1 z2
B1 (z1 , z) B2 (z 2 , z1 ) B2 (z1 , z 2 ) B1 (z, z1 ) p (z )
z1 z2
p (z )T (z, z)
Thanks to @shuyoさん @shima__shimaさん
28. 確率遷移
• 合成遷移確率の使用例
– それぞれの基本遷移がある変数の部分集合だ
け変更する
z1 B1 (z, z)
z zk Bk ( z , z )
z
K BK (z, z)
30. Metropolis-Hastingsアルゴリズム
1. 現在の状態を z ( ) とする
( ) *
2. 提案分布q (z | z ) からサンプル z を抽出す
る
3. 単位区間[0-1]の一様分布から乱数uを選択し,
uとAの大小を比較
~(z* )qk (z ( ) | z * )
*
Ak z , z ( )
p
min1, ~ ( )
p (z )q (z* | z ( ) )
Metropolisアルゴリ
ズムとの違い
k
( 1)
1. A>uの時,サンプルを受理し, z z *
2. A≦uの時,サンプルを棄却し, z ( 1) z ( )
4. τ→∞で,目標分布に近づく
31. Metropolis-Hastingsアルゴリズム
~(z* )qk (z ( ) | z * )
Ak z , z* ( )
p
min1, ~ ( )
p (z )q (z* | z ( ) )
k
は,詳細釣り合い条件を満たす。
p(z )qk (z | z ) Ak z, z min p(z )qk (z | z ), p(z)qk (z | z)
この分布 遷移確率 min p(z)qk (z | z), p(z )qk (z | z )
p(z)qk (z | z) Ak z, z
が不変