×
克里斯托弗·德罗万迪;大卫·J·诺特。;丹尼尔·佩根达姆（Daniel E.Pagendam）。

使用顺序蒙特卡罗进行历史匹配的半自动方法。 （英语） Zbl 1468.62261号

SIAM/ASA J.不确定性。数量。 9, 1034-1063 (2021).
摘要：历史匹配方法的目的是通过将模型输出与数据匹配来定位复杂确定性或随机模型参数空间中的不可信区域。它通过一系列波来实现这一点，在每个波中，一个模拟器被安装到少量的训练样本上。考虑到模拟输出和观测输出的接近性以及模拟器的不确定性，定义了一种不可信度量。随着波浪的推进，仿真器会变得更加准确，这样训练样本会更加集中在空间中有希望的区域，空间中较差的部分会被更有信心地拒绝。虽然历史匹配已被证明是有用的，但现有的实现并不是完全自动化的，并且在过程中会做出一些特别的选择，这涉及用户干预，而且很耗时。特别是当不可信区域变小并且很难对该空间进行均匀采样以生成新的训练点时，会出现这种情况。在本文中，我们开发了一种用于实现半自动历史匹配的顺序蒙特卡罗（SMC）算法。我们的新SMC方法表明，历史匹配方法产生了一个非难以置信的区域，该区域可能是多模态的、高度不规则的，并且很难均匀采样。与文献中使用的其他方法相比，我们的SMC方法提供了更可靠的非难以置信空间采样，这需要额外的计算。

MSC公司：

62层35 鲁棒性和自适应程序（参数推断）
2015年1月62日 贝叶斯推断
62K20型 响应面设计
62升12 序贯估计
2005年6月2日 马尔可夫过程：估计；隐马尔可夫模型
62-08 统计问题的计算方法

关键词：

模拟器;高斯过程;历史匹配;水文学;马尔科夫蒙特卡洛;马尔可夫过程

软件：

梦想
PDF格式BibTeX公司 XML格式引用
\textit{C.Drovandi}等人，SIAM/ASA J.不确定性。数量。91034--1063（2021年；Zbl 1468.62261）
全文： 内政部 arXiv公司

参考文献：

[1] I.Andrianakis、N.McCreesh、I.Vernon、T.J.McKinley、J.E.Oakley、R.N.Nsubuga、M.Goldstein和R.G.White（2017年），基于个体的高维HIV传播模型的有效历史匹配，SIAM/ASA J.Uncertain。数量。，第5页，第694-719页，https://doi.org/10.1137/16M1093008。 ·Zbl 1387.62111号
[2] I.Andrianakis、I.R.Vernon、N.McCreesh、T.J.McKinley、J.E.Oakley、R.N.Nsubuga、M.Goldstein和R.G.White（2015），《使用仿真对复杂传染病模型进行贝叶斯历史匹配：乌干达艾滋病毒的教程和案例研究》，《公共科学服务计算》。生物，11，e1003968·Zbl 1387.62111号
[3] C.Andrieu和G.O.Roberts（2009），有效蒙特卡罗计算的伪边缘方法，《统计年鉴》。，37，第697-725页·Zbl 1185.60083号
[4] C.C.-M.Chen、C.C.Drovandi、J.M.Keith、K.Anthony、M.J.Caley和K.L.Mengersen（2017年），贝叶斯半个体模型和参数校准的近似贝叶斯计算：大堡礁犀牛种群建模，生态学。型号。，第364页，第113-123页。
[5] N.Chopin（2002），《静态模型的序列粒子滤波方法》，《生物统计学》，第89期，第539-552页·Zbl 1036.62062号
[6] P.S.Craig、M.Goldstein、A.H.Seheult和J.A.Smith（1997年），《油气藏压力匹配：大型计算机实验中使用贝叶斯线性策略的案例研究》，贝叶斯统计学案例研究，纽约斯普林格，第37-93页·Zbl 0895.62105号
[7] P.Del Moral、A.Doucet和A.Jasra（2006），顺序蒙特卡罗采样器，J.R.Stat.Soc.Ser。B统计方法。，68，第411-436页·Zbl 1105.62034号
[8] P.Del Moral、A.Doucet和A.Jasra（2012），近似贝叶斯计算的自适应序贯蒙特卡罗方法，统计计算。，22，第1009-1020页·Zbl 1252.65025号
[9] C.C.Drovandi、N.Cusimano、S.Psaltis、B.A.Lawson、A.N.Pettitt、P.Burrage和K.Burrage（2016），《探索心脏电生理实验中受试者之间变异性的取样方法》，J.Roy。Soc.接口，1320160214。
[10] C.C.Drovandi、M.T.Moores和R.J.Boys（2018），使用高斯过程加速伪边缘MCMC，计算。统计师。数据分析。，118，第1-17页·Zbl 1469.62057号
[11] C.C.Drovandi和A.N.Pettitt（2011年A），使用近似贝叶斯计算估算大型寄生虫种群进化参数，生物统计学，67，pp.225-233·Zbl 1217.62128号
[12] C.C.Drovandi和A.N.Pettitt（2011年b），《使用近似贝叶斯计算估算医院病原体的传播率》，《公共统计》。感染。疾病。，3, 2.
[13] P.Fearnhead、V.Giagos和C.Sherlock（2014），使用线性噪声近似的反应网络推断，生物计量学，70，第457-466页·Zbl 1419.62346号
[14] P.Fearnhead和B.M.Taylor（2013），自适应序贯蒙特卡罗采样器，贝叶斯分析。，8，第411-438页·兹比尔1329.62055
[15] F.Fenicia、H.H.Savenije、P.Matgen和L.Pfister（2007），《水文建模的替代多目标校准策略比较》，《水资源研究》，第43卷，第03434页。
[16] A.Golightly和D.J.Wilkinson（2005），使用扩散近似对随机动力学模型进行贝叶斯推断，《生物统计学》，第61期，第781-788页·Zbl 1079.62110号
[17] N.J.Gordon、D.J.Salmond和A.F.M.Smith（1993），非线性/非高斯贝叶斯状态估计的新方法，IEE Proc。F雷达信号处理。，140，第107-113页。
[18] P.Holden、N.Edwards、J.Hensman和R.Wilkinson（2018），美国广播公司气候：处理昂贵的模拟器，收录于《近似贝叶斯计算手册》，查普曼和霍尔/CRC，佛罗里达州博卡拉顿，第19章。
[19] R.Holenstein（2009），《粒子马尔可夫链蒙特卡罗》，加拿大不列颠哥伦比亚大学博士论文·Zbl 1184.65001号
[20] R.L.Iman（2008），拉丁超立方抽样，收录于《定量风险分析与评估百科全书》，威利在线图书馆，约翰威利父子公司，纽约。
[21] T.McKinley、I.Vernon、I.Andrianakis、N.McCreesh、J.Oakley、R.Nsubuga、M.Goldstein和R.White（2018），复杂随机流行病模型的近似贝叶斯计算和基于模拟的推理，统计科学。，33，第4-18页·Zbl 1407.62406号
[22] J.Mockus（2012），《贝叶斯全局优化方法：理论与应用》，数学。申请。37，施普林格，多德雷赫特，荷兰·Zbl 0693.49001号
[23] M.Molga和C.Smutnicki（2005），优化需求的测试功能，http://www.zsd.ict.pwr.wroc.pl/files/docs/functions.pdf。
[24] J.Monteith（1965），蒸发与环境，实验生物学学会专题讨论会，19，第205-224页。
[25] H.Niederreiter（1992），随机数生成和准蒙特卡罗方法，CBMS-NSF Reg.Conf.Ser。申请。数学。费城SIAM 63号，https://doi.org/10.1137/1.9781611970081。 ·兹比尔0761.65002
[26] D.S.Oliver和Y.Chen（2011），《油藏历史拟合的最新进展：综述》，计算。地质科学。，第15页，第185-221页·Zbl 1209.86001号
[27] U.Picchini（2014），通过近似贝叶斯计算推断SDE模型，J.Compute。图表。统计人员。，23，第1080-1100页。
[28] F.Pukelsheim（1994），三西格玛规则，Amer。统计人员。，48，第88-91页。
[29] C.E.Rasmussen和C.K.Williams（2006），机器学习的高斯过程，麻省理工学院出版社，马萨诸塞州剑桥·Zbl 1177.68165号
[30] J.M.Salter和D.Williamson（2016），《环境模型多波校准统计仿真方法的比较》，环境计量学，27，第507-523页。
[31] G.Schoups、J.Vrugt、F.Fenicia和N.van de Giesen（2010），概念水文模型的不准确数值实现对马尔可夫链蒙特卡罗模拟的准确性和效率的影响，《水资源研究》，46，W10530。
[32] G.Schoups和J.A.Vrugt（2010），具有相关、异方差和非高斯误差的水文模型的参数和预测推断的形式似然函数，水资源研究，46，W10531。
[33] I.Schuster、S.Strathmann、B.Paige和D.Sejdinovic（2017），《核序列蒙特卡罗》，《数据库中的机器学习和知识发现》，ECML PKDD 2017，M.Ceci、J.Hollmen、L.Todorovski、C.Vens和S.Dzeroski编辑，《计算机讲义》。科学。10534，柏林施普林格，第390-409页。
[34] L.F.South、A.N.Pettitt和C.C.Drovandi（2018），具有独立MCMC提案的静态贝叶斯模型的序贯蒙特卡罗，贝叶斯分析。，14，第753-776页·Zbl 1421.62059号
[35] Z.Tavassoli、J.N.Carter和P.R.King（2005），《历史匹配错误分析》，计算。地质科学。，9，第99-123页·Zbl 1130.86303号
[36] I.Vernon、M.Goldstein和R.Bower（2014），《星系形成：可观测宇宙的贝叶斯历史匹配》，《统计学》。科学。，29，第81-90页·Zbl 1332.85007号
[37] I.Vernon、M.Goldstein和R.G.Bower（2010a），《星系形成：贝叶斯不确定性分析》，贝叶斯分析。，第5页，第619-669页·Zbl 1330.85005号
[38] I.Vernon、M.Goldstein和R.G.Bower（2010b），《星系形成的重聚：贝叶斯不确定性分析》，贝叶斯分析。，第5页，第619-669页·Zbl 1330.85005号
[39] I.Vernon、J.Liu、M.Goldstein、J.Rowe、J.Topping和K.Lindsey（2018），复杂系统生物模型的贝叶斯不确定性分析：仿真、全局参数搜索和基因功能评估，BMC systems Biol。，12, 1.
[40] B.N.Vo、C.C.Drovandi、A.N.Pettitt和G.J.Pettet（2015年），近似贝叶斯计算揭示的黑色素瘤细胞集落扩展参数，PLOS计算。生物，11，e1004635。
[41] J.A.Vrugt（2016），使用DREAM软件包的马尔可夫链蒙特卡罗模拟：理论、概念和MATLAB实现，环境。模型。《软件》，第75页，第273-316页。
[42] R.Wilkinson（2014），使用高斯过程加速ABC方法，J.Mach。学习。第33号决议，第1015-1023页。
[43] D.Williamson和I.Vernon（2013），《多波计算机实验的高效均匀设计》，预印本，https://arxiv.org/abs/1309.3520。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。