Résumé - Estimation d'une matrice de probabilité de transition à dimension infinie à l'aide d'un processus généralisé de bris de bâtons hiérarchique

Estimation d'une matrice de probabilité de transition à dimension infinie à l'aide d'un processus généralisé de bris de bâtons hiérarchique

2025-07-10 05:13:46

{"Agamani Saha","Souvik Roy"}

{stat.ME,stat.AP}

L'article de Agamani Saha et Souvik Roy présente un cadre bayésien non paramétrique novateur pour estimer des matrices de probabilité de transition à dimension infinie. Cela est particulièrement pertinent pour la modélisation de processus stochastiques séquentiels avec des espaces d'états qui sont infinis ou dynamiquement expansifs, tels que le traitement du langage naturel, la dynamique des populations et la modélisation comportementale. Les méthodes d'estimation traditionnelles, comme les approches de maximum de vraisemblance et les approches empiriques bayésiennes, ne sont pas appropriées pour ces scénarios en raison de leurs limites dans la gestion des espaces d'états infinis. Pour remédier à cela, Saha et Roy proposent une méthode qui utilise un Processus de Brise-Goupille Hierarchique Généralisé (GGEM) commeantecedent pour la matrice de probabilité de transition. Le GGEM est une généralisation du processus de brise-goupille, qui permet une modélisation plus flexible des probabilités de transition. Cet antecedent étend les constructions traditionnelles du processus de Dirichlet et de brise-goupille, fournissant une méthode méthodique pour inférer les probabilités de transition dans des contextes caractérisés par la sparsity, la haute dimensionnalité et les espaces d'états non observés. L'article développe également un algorithme de Gibbs bloqué efficace pour faciliter les calculs postérieurs. Cet algorithme intègre des variables latentes soigneusement conçues pour faciliter la mise à jour conjuguée et améliorer le mélange, ce qui est crucial pour gérer la haute dimensionnalité du problème. Par des simulations, la méthode proposée est montrée être supérieure aux méthodes standard, telles que l'Estimateur de Maximum de Vraisemblance, ainsi qu'à la version non généralisée du processus de brise-goupille hiérarchique, en termes d'exactitude prédictive. La méthode est également capable de fournir des estimations de probabilité de transition non nulles pour des états non observés précédemment dans les données, et conserve le soutien sur un nombre théoriquement infini d'états. L'étude s'appuie sur la littérature existante sur les méthodes bayésiennes non paramétriques, telles que le Processus de Dirichlet, les constructions de brise-goupille et les processus de Dirichlet hiérarchiques, tout en répondant au défi spécifique de l'estimation de matrices de probabilité de transition à dimension infinie. La méthode proposée offre une contribution précieuse à l'avancement de l'inference statistique pour des processus stochastiques séquentiels complexes.