Computational Methods for a Class of Network Models
Computational Methods for a Class of Network Models
复制标题
一类网络模型的计算方法
DOI：
10.1089/cmb.2013.0082
复制
发表时间：
2014
影响因子：
1.7
通讯作者：
Wang J
中科院分区：
文献类型：
--
作者：
Wang J
在下面的文章中，我们将提供一个精确的计算方法来执行部分观察网络模型的参数推断。特别是，我们考虑的重复连接模型，有一个似然函数，通常不能在任何合理的计算时间进行评估。我们考虑了一些重要性抽样（IS）和顺序蒙特卡罗（SMC）方法近似的网络模型的可能性为一个固定的参数值。众所周知，对于IS，似然估计的相对方差通常在时间参数中以指数速率增长（这里这与网络的大小有关）;我们证明，在假设下，SMC方法将具有只能多项式增长的相对方差。为了进行参数估计，我们开发粒子马尔可夫链蒙特卡罗算法进行贝叶斯推理。这样的算法在过渡动态中使用前述SMC算法。数值说明的方法。
In the following article, we provide an exposition of exact computational methods to perform parameter inference from partially observed network models. In particular, we consider the duplication attachment model that has a likelihood function that typically cannot be evaluated in any reasonable computational time. We consider a number of importance sampling (IS) and sequential Monte Carlo (SMC) methods for approximating the likelihood of the network model for a fixed parameter value. It is well-known that, for IS, the relative variance of the likelihood estimate typically grows at an exponential rate in the time parameter (here this is associated with the size of the network); we prove that, under assumptions, the SMC method will have relative variance that can grow only polynomially. In order to perform parameter estimation, we develop particle Markov chain Monte Carlo algorithms to perform Bayesian inference. Such algorithms use the aforementioned SMC algorithms within the transition dynamics. The approaches are illustrated numerically.
登录
查看更多内容
DOI：
--
发表时间：
2008
期刊：
--
影响因子：
--
作者：
A. Doucet;A. M. Johansen
通讯作者：
A. Doucet;A. M. Johansen
影响因子：
1.8
作者：
Beskos, Alexandros;Crisan, Dan;Jasra, Ajay
通讯作者：
Jasra, Ajay
非归一化 Feynman-Kac 粒子模型的非渐近定理
DOI：
--
发表时间：
2011
期刊：
影响因子：
--
作者：
F. Cérou;P. Moral;A. Guyader
通讯作者：
A. Guyader
时间齐次 Feynman-Kac 公式的粒子近似的线性方差界
DOI：
--
发表时间：
2011
期刊：
影响因子：
--
作者：
N. Whiteley;N. Kantas;A. Jasra
通讯作者：
A. Jasra