markov chains and mcmc
play

Markov Chains and MCMC CompSci 590.04 Instructor: - PowerPoint PPT Presentation

Markov Chains and MCMC CompSci 590.04 Instructor: AshwinMachanavajjhala Lecture 5 : 590.04 Fall 15 1 Recap: Monte Carlo Method If U is a


  1. Markov ¡Chains ¡and ¡MCMC ¡ CompSci ¡590.04 ¡ Instructor: ¡AshwinMachanavajjhala ¡ Lecture ¡5 ¡: ¡590.04 ¡Fall ¡15 ¡ 1 ¡

  2. Recap: ¡Monte ¡Carlo ¡Method ¡ • If ¡U ¡is ¡a ¡universe ¡of ¡items, ¡and ¡G ¡is ¡a ¡subset ¡saEsfying ¡some ¡ property, ¡we ¡want ¡to ¡esEmate ¡|G| ¡ – Either ¡intractable ¡or ¡inefficient ¡to ¡count ¡exactly ¡ ¡ For ¡i ¡= ¡1 ¡to ¡N • Choose ¡u ¡ε ¡U, ¡uniformly ¡at ¡random • Check ¡whether ¡u ¡ε ¡G ¡? ¡ • Let ¡X i ¡= ¡1 ¡if ¡u ¡ε ¡G, ¡X i ¡= ¡0 ¡otherwise Return Variance: ¡ Lecture ¡5 ¡: ¡590.04 ¡Fall ¡15 ¡ 2 ¡

  3. Recap: ¡Monte ¡Carlo ¡Method ¡ When ¡is ¡this ¡method ¡an ¡FPRAS? ¡ ¡ • |U| ¡is ¡known ¡and ¡easy ¡to ¡uniformly ¡sample ¡from ¡U. ¡ • Easy ¡to ¡check ¡whether ¡sample ¡is ¡in ¡G ¡ • |U|/|G| ¡is ¡small ¡… ¡(polynomial ¡in ¡the ¡size ¡of ¡the ¡input) ¡ Lecture ¡5 ¡: ¡590.04 ¡Fall ¡15 ¡ 3 ¡

  4. Recap: ¡Importance ¡Sampling ¡ • In ¡certain ¡case ¡|G| ¡<< ¡|U|, ¡hence ¡the ¡number ¡of ¡samples ¡is ¡not ¡ small. ¡ ¡ • Suppose ¡q(x) ¡is ¡the ¡density ¡of ¡interest, ¡sample ¡from ¡a ¡different ¡ ¡ approximate ¡density ¡p(x) ¡ Lecture ¡5 ¡: ¡590.04 ¡Fall ¡15 ¡ 4 ¡

  5. Recap: ¡Metropolis-­‑HasEngs ¡Algorithm ¡ • Start ¡with ¡any ¡iniEal ¡value ¡x 0 , ¡such ¡that ¡p(x 0 ) ¡> ¡0 ¡ • Using ¡current ¡value ¡x t-­‑1 , ¡sample ¡a ¡new ¡point ¡according ¡some ¡ proposal ¡distribu-on ¡ q(x t ¡| ¡x t-­‑1 ) ¡ • Compute ¡ • With ¡probability ¡α ¡accept ¡the ¡move ¡to ¡x t , ¡ ¡ otherwise ¡reject ¡x t ¡ ¡ Lecture ¡5 ¡: ¡590.04 ¡Fall ¡15 ¡ 5 ¡

  6. Recap: ¡Why ¡does ¡Metropolis-­‑HasEngs ¡ work? ¡ ¡ • Metropolis-­‑HasEngs ¡describes ¡a ¡Markov ¡chain ¡with ¡transiEon ¡ probabiliEes: ¡ ¡ • SaEsfied ¡the ¡detailed ¡balance ¡condiEon ¡with ¡p(x) ¡as ¡the ¡ staEonary ¡distribuEon: ¡ ¡ Lecture ¡5 ¡: ¡590.04 ¡Fall ¡15 ¡ 6 ¡

  7. Today’s ¡Class ¡ ¡ • Variants ¡on ¡MCMC ¡ • Burn-­‑in ¡and ¡Convergence ¡ Lecture ¡5 ¡: ¡590.04 ¡Fall ¡15 ¡ 7 ¡

  8. Metropolis ¡Algorithm ¡ • The ¡proposal ¡distribuEon ¡is ¡symmetric ¡ • TransiEon ¡probability ¡simplifies ¡to: ¡ ¡ Lecture ¡5 ¡: ¡590.04 ¡Fall ¡15 ¡ 8 ¡

  9. Gibbs ¡Sampling ¡ • Suppose ¡we ¡want ¡to ¡sample ¡a ¡high ¡dimensional ¡point ¡from ¡a ¡ probability ¡distribuEon ¡p(x1, ¡x2, ¡…, ¡xd) ¡ Algorithm: ¡ • IniEalize ¡starEng ¡value ¡X 0 ¡= ¡ ¡x1, ¡x2, ¡…, ¡xd ¡ • Pick ¡some ¡ordering ¡of ¡the ¡variables ¡(say ¡1..d) ¡ • ¡i ¡= ¡1 ¡ • Do ¡unEl ¡convergence: ¡ ¡ – Sample ¡x ¡from ¡p(xi ¡| ¡x1, ¡x2, ¡.., ¡xi-­‑1, ¡xi+1, ¡.., ¡xd) ¡ – Set ¡xi ¡= ¡x ¡ – i ¡= ¡i ¡+ ¡1 ¡mod ¡d ¡ Lecture ¡5 ¡: ¡590.04 ¡Fall ¡15 ¡ 9 ¡

  10. Gibbs ¡Sampling ¡is ¡a ¡special ¡case ¡of ¡MCMC ¡ • Sampling ¡from ¡condiEonal ¡is ¡precisely ¡the ¡transiEon ¡probability ¡ • Accept ¡move ¡with ¡probability ¡1 ¡ ¡ ¡ Lecture ¡5 ¡: ¡590.04 ¡Fall ¡15 ¡ 10 ¡

  11. Today’s ¡Class ¡ ¡ • Variants ¡on ¡MCMC ¡ • Burn-­‑in ¡and ¡Convergence ¡ Lecture ¡5 ¡: ¡590.04 ¡Fall ¡15 ¡ 11 ¡

  12. Burn-­‑in ¡& ¡Convergence ¡ • MCMC ¡eventually ¡converges ¡to ¡the ¡staEonary ¡distribuEon ¡ • Period ¡Ell ¡it ¡reaches ¡converges ¡is ¡burn-­‑in ¡ – Those ¡samples ¡are ¡discarded. ¡ ¡ • EsEmaEng ¡convergence ¡ – Run ¡mulEple ¡chains ¡in ¡parallel ¡and ¡check ¡whether ¡their ¡distribuEons ¡are ¡ similar. ¡ Lecture ¡5 ¡: ¡590.04 ¡Fall ¡15 ¡ 12 ¡

Download Presentation
Download Policy: The content available on the website is offered to you 'AS IS' for your personal information and use only. It cannot be commercialized, licensed, or distributed on other websites without prior consent from the author. To download a presentation, simply click this link. If you encounter any difficulties during the download process, it's possible that the publisher has removed the file from their server.

Recommend


More recommend