PDMP サンプラーの高次元 Gauss での挙動

確率過程によるアプローチ

PDMP
MCMC
Process
Author

司馬 博文

Published

4/28/2025

1 概観

1.1 BPS のポテンシャル

BPS のポテンシャルは OU 過程に収束する: \[ dY_t=-\theta(\rho)^2/4\cdot Y_t\,dt+\sigma(\rho)\,dB_t. \]

1.2 非有界な速度を持つ BPS のポテンシャル

\(\mu=\mathrm{U}(S^{d-1})\) とした場合と \(\mu=\operatorname{N}_d(0,I_d)\) とした場合とで,全く違う動きをする.

\(\mu=\mathrm{U}(S^{d-1})\)

\(\mu=\operatorname{N}_d(0,I_d)\)

したがって,\(\mu=\operatorname{N}_d(0,I_d)\) と取った場合はまた違う過程に収束するものと思われる.

いや,同じか?

1.3 FECMC のポテンシャル

1.4 Zig-Zag のポテンシャル

2 BPS と FECMC の比較

2.1 ポテンシャルの挙動

2.2 動径運動量の挙動 (d=1000の場合)

2.3 有限次元周辺分布の挙動

次元数 \(d\) を少しずつ大きくしながら,最初の1または2成分のみをみていく.

2.3.1 BPS

BPS は速度成分の分布を変えることで,収束先が違う.

驚くべきことに,\(\mu=\operatorname{N}_d(0,I_d)\) と取ると,Boomerang sampler (Bierkens et al., 2020) の挙動に酷似していく.

これはポテンシャル \(U\) が定める Hamiltonian フローにトラップされていくためである.

しかし \(\mu\)\(S^{d-1}\subset\mathbb{R}^d\) 上の一様分布に取ると,次の通り,全く違った挙動になる:

2.3.2 FECMC

References

Bierkens, J., Grazzi, S., Kamatani, K., and Roberts, G. O. (2020). The boomerang sampler. Proceedings of the 37th International Conference on Machine Learning, 119, 908–918.