कम-आवृत्ति प्रसार डेटा के लिए सांख्यिकीय एल्गोरिदम: एक PDE दृष्टिकोण

हम कम-आवृत्ति डेटा से बहु-आयामी प्रसार मॉडलों में गैर-पैरामीट्रिक अनुमान लगाने की समस्या पर विचार करते हैं। इस सेटिंग में सांख्यिकीय विश्लेषण असाधारण रूप से चुनौतीपूर्ण है क्योंकि संभाव्यता और इसके ग्रेडिएंट की जटिलता होती है, और इसके लिए गणनात्मक विधियों ने अब तक महंगे सिमुलेशन-आधारित तकनीकों पर बड़े पैमाने पर भरोसा किया है। इस लेख में, हम एक नई गणनात्मक दृष्टिकोण का प्रस्ताव करते हैं जो PDE सिद्धांत से प्रेरित है और संक्रमण घनत्वों के विशेषण के चारों ओर निर्मित है जो संबंधित ऊष्मा (फोक्कर-प्लांक) समीकरण के समाधान के रूप में है। पराबोलिक PDE के सिद्धांत से सर्वोत्तम नियमितता परिणामों का उपयोग करते हुए, हम संभाव्यता के ग्रेडिएंट के लिए एक नया विशेषण साबित करते हैं। इन विकासों का उपयोग करते हुए, प्रसारिता (डाइवर्जेंस रूप मॉडलों में) को पुनर्प्राप्त करने की गैर-रेखीय प्रतिकृति समस्या के लिए, हम दिखाते हैं कि संभाव्यता और इसके ग्रेडिएंट का संख्यात्मक मूल्यांकन मानक अंडाकार स्वामित्व समस्याओं में परिवर्तित किया जा सकता है, जो शक्तिशाली समाहित तत्व विधियों द्वारा हल किया जा सकता है। इससे सांख्यिकीय एल्गोरिदम के एक बड़े वर्ग के निष्पादन की दक्षता संभव होती है, जिसमें (i) पिछले सैंपलिंग के लिए पूर्व-शर्तित क्रैंक-निकोसन और लंगेविन-प्रकार की विधियाँ, और (ii) अधिकतम संभाव्यता और अधिकतम-पोस्टेरियरी अनुमान की गणना के लिए ग्रेडिएंट-आधारित वंशन अनुकूलन योजनाएँ शामिल हैं। हम संख्यात्मक अध्ययनों के माध्यम से इन विधियों की प्रभावशीलता को प्रदर्शित करते हैं, जो गॉशियन प्रक्रिया प्राथमिकताओं के साथ गैर-पैरामीट्रिक बेबेसियन मॉडल में हैं। दिलचस्प बात यह है कि अनुकूलन योजनाएँ संतोषजनक संख्यात्मक पुनर्प्राप्ति प्रदान करती हैं जबकि स्थिर बिंदुओं की ओर तेजी से संकुचन प्रदर्शित करती हैं, हालांकि समस्या की गैर-रेखीयता है; इस प्रकार हमारा दृष्टिकोण महत्वपूर्ण गणनात्मक गति में सुधार कर सकता है। पुनरुत्पादक कोड ऑनलाइन उपलब्ध है https://github.com/MattGiord/LF-Diffusion पर।