Published August 1, 2023
| Version v1
Publication
Parameter estimation from aggregate observations: a Wasserstein distance-based sequential Monte Carlo sampler
Creators
- 1. Shanghai Jiao Tong University
- 2. Peking University
- 3. University of Birmingham
Description
In this work, we study systems consisting of a group of moving particles. In such systems, often some important parameters are unknown and have to be estimated from observed data. Such parameter estimation problems can often be solved via a Bayesian inference framework. However, in many practical problems, only data at the aggregate level is available and as a result the likelihood function is not available, which poses a challenge for Bayesian methods. In particular, we consider the situation where the distributions of the particles are observed. We propose a Wasserstein distance (WD)-based sequential Monte Carlo sampler to solve the problem: the WD is used to measure the similarity between the observed and the simulated particle distributions and the sequential Monte Carlo samplers is used to deal with the sequentially available observations. Two real-world examples are provided to demonstrate the performance of the proposed method.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
في هذا العمل، ندرس أنظمة تتكون من مجموعة من الجسيمات المتحركة. في مثل هذه الأنظمة، غالبًا ما تكون بعض المعلمات المهمة غير معروفة ويجب تقديرها من البيانات المرصودة. غالبًا ما يمكن حل مشكلات تقدير المعلمات هذه من خلال إطار الاستدلال البايزي. ومع ذلك، في العديد من المشاكل العملية، لا تتوفر سوى البيانات على مستوى التجميع ونتيجة لذلك لا تتوفر وظيفة الاحتمال، مما يشكل تحديًا للطرق البايزية. على وجه الخصوص، نأخذ في الاعتبار الوضع الذي تتم فيه ملاحظة توزيعات الجسيمات. نقترح أداة أخذ عينات مونت كارلو المتسلسلة القائمة على مسافة واسرشتاين (WD) لحل المشكلة: يتم استخدام WD لقياس التشابه بين توزيعات الجسيمات المرصودة والمحاكاة ويتم استخدام عينات مونت كارلو المتسلسلة للتعامل مع الملاحظات المتاحة بالتسلسل. يتم تقديم مثالين في العالم الحقيقي لإثبات أداء الطريقة المقترحة.Translated Description (French)
Dans ce travail, nous étudions des systèmes constitués d'un groupe de particules en mouvement. Dans de tels systèmes, certains paramètres importants sont souvent inconnus et doivent être estimés à partir des données observées. De tels problèmes d'estimation de paramètres peuvent souvent être résolus via un cadre d'inférence bayésienne. Cependant, dans de nombreux problèmes pratiques, seules les données au niveau agrégé sont disponibles et, par conséquent, la fonction de probabilité n'est pas disponible, ce qui pose un défi pour les méthodes bayésiennes. En particulier, nous considérons la situation où les distributions des particules sont observées. Nous proposons un échantillonneur Monte Carlo séquentiel basé sur la distance de Wasserstein (WD) pour résoudre le problème : le WD est utilisé pour mesurer la similitude entre les distributions de particules observées et simulées et les échantillonneurs Monte Carlo séquentiels sont utilisés pour traiter les observations séquentiellement disponibles. Deux exemples concrets sont fournis pour démontrer les performances du procédé proposé.Translated Description (Spanish)
En este trabajo, estudiamos sistemas que consisten en un grupo de partículas en movimiento. En tales sistemas, a menudo se desconocen algunos parámetros importantes y deben estimarse a partir de los datos observados. Tales problemas de estimación de parámetros a menudo se pueden resolver a través de un marco de inferencia bayesiano. Sin embargo, en muchos problemas prácticos, solo se dispone de datos a nivel agregado y, como resultado, la función de probabilidad no está disponible, lo que plantea un desafío para los métodos bayesianos. En particular, consideramos la situación en la que se observan las distribuciones de las partículas. Proponemos un muestreador Monte Carlo secuencial basado en la distancia de Wasserstein (WD) para resolver el problema: el WD se utiliza para medir la similitud entre las distribuciones de partículas observadas y simuladas y los muestreadores Monte Carlo secuenciales se utilizan para hacer frente a las observaciones secuencialmente disponibles. Se proporcionan dos ejemplos del mundo real para demostrar el rendimiento del método propuesto.Additional details
Additional titles
- Translated title (Arabic)
- تقدير المعلمات من الملاحظات الإجمالية: أداة أخذ عينات مونتي كارلو المتسلسلة القائمة على المسافة من واسرشتاين
- Translated title (French)
- Estimation des paramètres à partir d'observations agrégées : un échantillonneur Monte Carlo séquentiel basé sur la distance de Wasserstein
- Translated title (Spanish)
- Estimación de parámetros a partir de observaciones agregadas: un muestreador secuencial Monte Carlo basado en la distancia de Wasserstein
Identifiers
- Other
- https://openalex.org/W4385703504
- DOI
- 10.1098/rsos.230275
References
- https://openalex.org/W1641947403
- https://openalex.org/W1888172398
- https://openalex.org/W1965175390
- https://openalex.org/W1965455100
- https://openalex.org/W1972044564
- https://openalex.org/W1978569053
- https://openalex.org/W2000964830
- https://openalex.org/W2014268383
- https://openalex.org/W2040276592
- https://openalex.org/W2117059299
- https://openalex.org/W2139050361
- https://openalex.org/W2147357149
- https://openalex.org/W2149225922
- https://openalex.org/W2152246075
- https://openalex.org/W2168337043
- https://openalex.org/W2916041869
- https://openalex.org/W2966196501
- https://openalex.org/W3014630000
- https://openalex.org/W3031514878
- https://openalex.org/W3101232373
- https://openalex.org/W4200621461
- https://openalex.org/W4211063191
- https://openalex.org/W4283751310
- https://openalex.org/W4292403327