Adaptive Pseudo-Marginal Algorithm
The pseudo-marginal algorithm is a popular Markov Chain Monte Carlo method used to sample from a target distribution when its density is inaccessible, but can be estimated with a non-negative unbiased estimator. Its performance depends on a key parameter, N, the number of iterations used to estimate the target density. Increasing N improves accuracy but also increases computational cost. Previous studies provide guidelines for choosing an optimal N. However, this approach involves multiple steps, manual adjustments, and high computational cost.
To overcome these limitations, we introduce an adaptive version of the pseudo-marginal algorithm, where N is automatically adjusted during the iterative process to reach its optimal value, thus eliminating the need for manual intervention. This algorithm ensures convergence under certain conditions. We compare its performance against the existing approach using both simulated data and real data on pulmonary infections in preschool children.
To overcome these limitations, we introduce an adaptive version of the pseudo-marginal algorithm, where N is automatically adjusted during the iterative process to reach its optimal value, thus eliminating the need for manual intervention. This algorithm ensures convergence under certain conditions. We compare its performance against the existing approach using both simulated data and real data on pulmonary infections in preschool children.
Algorithme pseudo-marginal adaptatif
L'algorithme pseudo-marginal est une méthode Monte Carlo par chaînes de Markov (MCMC) populaire utilisée pour échantillonner d’une distribution d’intérêt lorsque sa densité n’est pas accessible, mais qu’un estimateur positif et sans biais de cette densité est disponible. Dans cette présentation, j’introduirai cet algorithme, dont la performance dépend d’un paramètre clé, N, correspondant au nombre d’itérations employées pour obtenir un estimateur de la densité d’intérêt. Une grande valeur de N améliore la qualité de l’algorithme mais ralentit son exécution. Des travaux antérieurs ont proposé des directives pour choisir une valeur de N optimale. Cependant, cette approche requiert plusieurs étapes, des ajustements manuels et un temps d’exécution conséquent.
Pour surmonter ces obstacles, je présenterai une version adaptative de l’algorithme pseudo-marginal. Cette approche ajuste automatiquement N au fil des itérations afin d’atteindre une valeur optimale, éliminant ainsi le besoin d’interventions manuelles et garantissant la convergence vers la distribution d’intérêt sous certaines conditions. Les comparaisons entre cette approche adaptative et la méthode existante seront présentées sur des données simulées et des données réelles concernant une infection pulmonaire chez des enfants d’âge préscolaire.
Pour surmonter ces obstacles, je présenterai une version adaptative de l’algorithme pseudo-marginal. Cette approche ajuste automatiquement N au fil des itérations afin d’atteindre une valeur optimale, éliminant ainsi le besoin d’interventions manuelles et garantissant la convergence vers la distribution d’intérêt sous certaines conditions. Les comparaisons entre cette approche adaptative et la méthode existante seront présentées sur des données simulées et des données réelles concernant une infection pulmonaire chez des enfants d’âge préscolaire.
Date and Time
-
Langue de la présentation orale
Français
Langue des supports visuels
Anglais