วิธีการรับตัวอย่างกิ๊บส์?


11

ที่จริงฉันลังเลที่จะถามเรื่องนี้เพราะฉันกลัวว่าฉันจะถูกส่งต่อไปยังคำถามอื่นหรือวิกิพีเดียในการสุ่มตัวอย่างของกิ๊บส์ แต่ฉันไม่มีความรู้สึกว่าพวกเขาอธิบายสิ่งที่อยู่ในมือ

รับความน่าจะเป็นแบบมีเงื่อนไข : p ( x | y ) y = y 0 y = y 1 x = x 0 1p(x|y)

p(x|y)y=y0y=y1x=x01426x=x13446

และความน่าจะเป็นแบบมีเงื่อนไข : p ( y | x ) y = y 0 y = y 1 x = x 0 1p(y|x)

p(y|x)y=y0y=y1x=x01323x=x13747

เราสามารถคิดค่าความน่าจะเป็นร่วม :funique=p(x,y)

p(x,y)y=y0y=y1p(x)x=x0a0a1c0x=x1a2a3c1p(y)b0b1

เพราะแม้ว่าเรามี unknown แต่เรามีสมการเชิงเส้นมากกว่า ( ):842+3

a0+a1+a2+a3=1b0+b1=1c0+c1=1

เช่นเดียวกับ:

14b0=a034b0=a226(1b0)=a146(1b0)=a313c0=a023c0=a137(1c0)=a247(1c0)=a3

มันแก้ไขได้อย่างรวดเร็วโดย , \กล่าวคือโดยเท่ากับ\สิ่งนี้จะให้และที่เหลือตามมาc0=34b023c0=a124b0=a126(1b0)=a1b0=25

p(x,y)y=y0y=y1p(x)x=x0110210310x=x1310410710p(y)410610

ดังนั้นตอนนี้เราไปที่กรณีอย่างต่อเนื่อง มันเป็นไปไม่ได้ที่จะไปช่วงเวลาและรักษาโครงสร้างข้างต้นในการเจรจาต่อรอง (มีสมการมากกว่าที่ไม่รู้จัก) อย่างไรก็ตามจะเกิดอะไรขึ้นเมื่อเราไปที่จุดอินสแตนซ์ของตัวแปรสุ่ม สุ่มตัวอย่างอย่างไร

xap(x|y=yb)ybp(y|x=xa)

ซ้ำนำไปสู่หรือไม่ เทียบเท่ากับข้อ จำกัดมันแน่ใจได้อย่างไรว่าเช่น? ในทำนองเดียวกันกับ 1 เราสามารถเขียนข้อ จำกัด และสุ่มตัวอย่างจากกิ๊บส์จากหลักการแรกได้หรือไม่?a 0 + a 1 +p(x,y)a0+a1+a2+a3=1XYp(x,y)dydx=1Yp(y|x)dy=1

ดังนั้นฉันไม่สนใจวิธีการสุ่มตัวอย่างของกิ๊บส์ซึ่งเป็นเรื่องง่าย แต่ฉันสนใจที่จะหามาได้และโดยเฉพาะอย่างยิ่งวิธีที่จะพิสูจน์ว่ามันใช้งานได้ (อาจอยู่ภายใต้เงื่อนไขบางประการ)

คำตอบ:


9

การคำนวณการกระจายแบบมีส่วนร่วมจากการแจกแจงแบบมีเงื่อนไขโดยทั่วไปนั้นยากมาก หากการแจกแจงแบบมีเงื่อนไขถูกเลือกโดยพลการการกระจายข้อต่อร่วมอาจไม่มีอยู่จริง ในกรณีนี้แม้แสดงให้เห็นว่าการแจกแจงแบบมีเงื่อนไขมีความสอดคล้องกันโดยทั่วไปเป็นเรื่องยาก ผลลัพธ์หนึ่งที่อาจใช้ในการหาการแจกแจงร่วมคือบทแทรกของ Brook , โดยเลือกสถานะคงที่แม้ว่าฉันจะไม่เคยใช้มันด้วยตนเองเพื่อจุดประสงค์นั้น สำหรับเพิ่มเติมในหัวข้อนั้นฉันจะดูงานของ Julian Besag

p(x)p(x)=ip(xix<i,x>i)p(xix<i,x>i),
x

เพื่อพิสูจน์ว่าการสุ่มตัวอย่างของกิ๊บส์นั้นใช้งานได้ดีกว่าหากใช้เส้นทางอื่น ถ้าห่วงโซ่มาร์คอฟดำเนินการโดยขั้นตอนวิธีการสุ่มตัวอย่างมีการกระจายการกระจายคงที่และเป็นลดลงและสม่ำเสมอแล้วห่วงโซ่มาร์คอฟจะมาบรรจบกันที่การกระจาย(Tierney, 1994)p

กิ๊บส์สุ่มตัวอย่างมักจะปล่อยให้คงการจัดจำหน่ายร่วมกันจากการที่การกระจายตามเงื่อนไขที่ได้มา: ประมาณถ้าและเราได้ลิ้มลองแล้ว(x0,y0)p(x0,y0)x1p(x1y0)

(x1,y0)p(x0,y0)p(x1y0)dx0=p(x1y0)p(y0)=p(x1,y0).

นั่นคือการอัพเดตโดยการสุ่มตัวอย่างแบบมีเงื่อนไขไม่ได้เปลี่ยนการกระจายตัวของตัวอย่างx

แต่กิ๊บส์สุ่มตัวอย่างคือไม่ได้ลดลงเสมอ ในขณะที่เราสามารถนำไปใช้ได้เสมอโดยไม่ทำลายทุกสิ่ง (ในแง่ที่ว่าถ้าเรามีตัวอย่างจากการกระจายที่ต้องการมันจะไม่เปลี่ยนการกระจาย) มันขึ้นอยู่กับการกระจายข้อต่อว่าการสุ่มตัวอย่างกิ๊บส์จะมาบรรจบกันจริง ๆ หรือไม่ เงื่อนไขสำหรับการลดทอนไม่ได้คือความหนาแน่นเป็นบวกทุกที่, )p(x)>0


ปัญหาที่น่าสนใจเกี่ยวกับความเข้ากันได้ ตอนนี้ฉันกำลังตรวจสอบ "ความเข้ากันได้ของการแจกแจงแบบมีเงื่อนไข จำกัด ขอบเขต" (เพลงและคณะ) ที่ใช้ "อัตราส่วนเมทริกซ์" เพื่อสร้างความเข้ากันได้และเอกลักษณ์ ดังนั้นกิ๊บส์ไม่สามารถได้รับจากข้อ จำกัด เหล่านี้เพราะพวกเขาไม่ได้บังคับให้เริ่มต้นด้วย ฉันสามารถจินตนาการได้ว่ามันอาจส่งคืนการกระจายข้อต่อที่ไม่เหมาะสม (รวม> 1) ถ้าการแจกแจงแบบมีเงื่อนไขไม่เข้ากันเช่น อย่างไรก็ตามฉันมีความรู้สึกว่าสิ่งที่ฉันทำคือสิ่งที่กำหนดได้บางอย่างคล้ายกับการเปลี่ยนเรดอน ตัวอย่างกิ๊บส์ดูสกปรกมาก
Anne van Rossum
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.