Dilim Örnekleme
Slice Sampling MCMC · Ayrıca şöyle bilinir: slice sampler, Neal slice sampler, uniform slice sampling, auxiliary variable slice sampler
Dilim örnekleme, Radford M. Neal tarafından 2003 tarihli Annals of Statistics makalesinde tanıtılan bir Markov zinciri Monte Carlo (MCMC) algoritmasıdır. Kullanıcının adım boyutu veya öneri dağılımı belirtmesini gerektirmeyerek, yoğunluk eğrisi altındaki bölgeden - 'dilim' olarak adlandırılan - düzgünce örnekler üreterek hedef dağılımdan örnekler üretir, bu da onu kendi kendine ayarlanan ve Bayesçi sonsal çıkarım için geniş ölçüde uygulanabilir hale getirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Dilim örnekleme, Metropolis–Hastings'in adım boyutu ayarına duyarlılığı nedeniyle kötü performans gösterdiği tek modlu veya zayıf çok modlu sürekli sonsal dağılımlar için uygundur. Özellikle sonsal dağılım normalleştirici bir sabite kadar tanımlanmışsa (çoğu Bayesçi modelde olduğu gibi) çekicidir, çünkü yalnızca normalleştirilmemiş yoğunluk f(θ) değerlendirmeleri gereklidir. PyMC ve Stan'a bağlı örnekleyicilerde kutudan çıktığı gibi mevcuttur, bu da özel uygulama gerektirmeden erişilebilir olmasını sağlar. Yüksek boyutlu problemler (boyutluluk laneti) veya dilimin kopuk bölgelere ayrılabilir olduğu keskin çok modlu sonsal dağılımlar için daha az etkilidir.
Güçlü yönler & sınırlılıklar
- Kendi kendine ayarlanan: adım boyutu veya öneri dağılımı belirtimi gerektirmez, Metropolis–Hastings'in en yaygın ayarlama yükünü ortadan kaldırır.
- Garantili ayrıntılı denge: daraltma prosedürü, kabul/red fazlalığı olmadan doğru değişmez dağılımı korur.
- Düşük-orta boyutlar için verimli: uyarlanabilir aralık, sonsal dağılımın yerel ölçeğini otomatik olarak eşleştirmek için genişler.
- Yalnızca normalleştirilmemiş yoğunluk değerlendirmeleri gerektirir, bu nedenle doğrudan sabit bir sabite kadar tanımlanmış Bayesçi sonsal dağılımlarla çalışır.
- Yüksek boyutlarda performans düşer çünkü tek değişkenli dilim koordinat bazında veya hiperdüzlem dilimleri aracılığıyla uygulanmalıdır, bu da karışımı yavaşlatır.
- Parçalanmış veya keskin çok modlu sonsal dağılımlar, modlar mevcut dilim yüksekliğinin altındaki düşük yoğunluklu bölgelerle ayrılmışsa, örnekleyiciyi tek bir modda tuzağa düşürebilir.
- Her yineleme, adım atma ve daraltma aşamalarında birden fazla yoğunluk değerlendirmesi gerektirebilir, bu da yoğunluğun değerlendirilmesi maliyetli olduğunda örnek başına basit bir Metropolis adımından daha pahalı hale getirir.
- Tek değişkenli sürüm, sonsal dağılım geometrisini (gradyanları) kullanmaz, bu nedenle pürüzsüz, yüksek boyutlu hedefler için Hamilton Monte Carlo'dan genellikle daha az verimlidir.
SSS
Dilim örnekleme Metropolis–Hastings'ten nasıl farklıdır?
Metropolis–Hastings, kullanıcı tarafından belirtilen bir öneri dağılımından bir aday önerir ve bunu kabul eder veya reddeder. Verimliliği, iyi bir öneri ölçeği seçimine kritik derecede bağlıdır. Dilim örnekleme bu seçimi ortadan kaldırır: öneri bölgesini (dilim ve aralık) yoğunluğun kendisinden otomatik olarak oluşturur ve dilim içine düşen her aday kabul edilir. Bu, dilim örneklemeyi uygulamayı kolaylaştırır ancak evrensel olarak daha hızlı yapmaz — pürüzsüz, yüksek boyutlu sonsal dağılımlar için HMC tipik olarak her ikisinden de daha iyi performans gösterir.
Dilim örnekleme her zaman doğru sonsal dağılıma yakınsar mı?
Evet, hafif düzenlilik koşulları altında. Neal (2003), adım atma ve daraltma prosedürlerinin hedef dağılıma göre ayrıntılı dengeyi koruduğunu, zincirin durağan dağılımının hedef olduğunu garanti ettiğini kanıtladı. Geometrik yakınsama — zincirin üstel bir hızda yakınsadığı anlamına gelir — log-konkav hedefler için geçerlidir. Tüm MCMC'lerde olduğu gibi, yakınsama asimptotiktir, bu nedenle pratikte yakınsama tanıları (R-hat, ESS) kontrol edilmelidir.
Dilim örnekleme çok modlu sonsal dağılımları işleyebilir mi?
Sadece kısmen. Eğer sonsal dağılım iyi ayrılmış modlara sahipse ve aralarındaki yoğunluk mevcut dilim yüksekliğinin altına düşerse, örnekleyici modlar arasında sıçrayamayabilir — dilim bağlantısız hale gelir. Çok modlu sonsal dağılımların güvenilir bir şekilde keşfedilmesi için paralel tavlama veya dilim örneklemeyi küresel bir sıçrama önerisiyle birleştirme gibi uzantılar gereklidir.
'Adım atma' genişlik parametresi nedir ve nasıl ayarlanır?
Genişlik w, mevcut noktanın etrafındaki aralık boyutu için başlangıç tahminidir. Neal (2003), algoritmanın herhangi bir pozitif w için doğru olduğunu gösterir: eğer w çok küçükse, dilimi kapsayana kadar aralık genişletilir (adım atılır); eğer çok büyükse daraltılır. Makul bir varsayılan değer, önsel standart sapmanın bir kesridir. PyMC'de genişlik ayarlama sırasında otomatik olarak uyarlanır, bu nedenle manuel belirtim nadiren gereklidir.
Kaynaklar
- Neal, R. M. (2003). Slice sampling (with discussion). Annals of Statistics, 31(3), 705–767. DOI: 10.1214/aos/1056562461 ↗
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A., & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. ISBN: 978-1439840955
- Robert, C. P., & Casella, G. (2004). Monte Carlo Statistical Methods (2nd ed.). Springer. ISBN: 978-0387212395
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Slice Sampling MCMC. ScholarGate. https://scholargate.app/tr/bayesian/slice-sampling
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayes RegresyonuBayesçi↔ karşılaştır
- Gibbs ÖrneklemesiBayesçi↔ karşılaştır
- Hamiltonian Monte CarloBayesçi↔ karşılaştır
- Markov Chain Monte Carlo (MCMC)Bayesçi↔ karşılaştır