Turing.jl中SliceSampling作为Gibbs采样器的实现与应用

引言

在贝叶斯统计建模中，Gibbs采样是一种常用的马尔可夫链蒙特卡洛(MCMC)方法。Turing.jl作为Julia生态中强大的概率编程语言，提供了灵活的Gibbs采样实现。本文将深入探讨如何在Turing.jl中利用SliceSampling.jl包作为Gibbs采样的组件，以及在实际应用中的性能表现。

SliceSampling与Gibbs采样的结合原理

SliceSampling（切片采样）是一种无需调整参数的MCMC方法，它通过"切片"技术从目标分布中采样。将其作为Gibbs采样的一个组件，可以充分利用Gibbs采样对高维参数空间分解的优势，同时避免手动调整采样参数的麻烦。

在Turing.jl中，通过Experimental.Gibbs接口，我们可以将SliceSampling的采样器作为外部采样器(external sampler)集成到Gibbs框架中。这种组合特别适合于模型中同时包含连续型和离散型变量的情况。

实现方法

在Turing.jl中实现SliceSampling作为Gibbs采样组件的核心代码如下：

using Distributions, Turing, SliceSampling

@model function demo()
    s ~ InverseGamma(3, 3)
    m ~ MvNormal(zeros(10), sqrt(s))
end

# 定义必要的接口方法
Turing.Inference.getparams(::Turing.DynamicPPL.Model, state::SliceSampling.UnivariateSliceState) = state.transition.params
Turing.Inference.getparams(::Turing.DynamicPPL.Model, state::SliceSampling.GibbsState) = state.transition.params

Turing.Experimental.gibbs_requires_recompute_logprob(
    model_dst,
    ::DynamicPPL.Sampler{<:Turing.Inference.ExternalSampler},
    sampler_src,
    state_dst,
    state_src
) = false

# 采样执行
n_samples = 10000
model = demo()
sample(
    model,
    Experimental.Gibbs(
        (
            m = externalsampler(RandPermGibbs(SliceSteppingOut(0.1))),
            s = externalsampler(SliceSteppingOut(0.1)),
        ),
    ),
    n_samples
)

实际应用案例

考虑一个简单的混合模型示例，展示了SliceSampling在Gibbs框架中的实际应用：

@model function simple_choice(xs)
    p ~ Beta(2, 2)
    z ~ Bernoulli(p)
    for i in 1:length(xs)
        if z == 1
            xs[i] ~ Normal(0, 1)
        else
            xs[i] ~ Normal(2, 1)
        end
    end
end

model = simple_choice([1.5, 2.0, 0.3])

# 使用HMC和PG的组合
sample(model, Gibbs(HMC(0.2, 3, :p), PG(20, :z)), 1000)

# 使用SliceSampling和PG的组合
sample(model, Experimental.Gibbs((
    p = externalsampler(SliceSteppingOut(2.0)),
    z = PG(20)), 
n_samples)

性能比较

通过对比实验，我们可以观察到SliceSampling在Gibbs框架中的表现：

1. HMC+PG组合:

   • 参数p的均值: 0.4259
   • 标准差: 0.1945
   • ESS/s: 9.2327

2. SliceSteppingOut+PG组合:

   • 参数p的均值: 0.5936
   • 标准差: 0.1897
   • ESS/s: 59.9814

3. SliceDoublingOut+PG组合:

   • 参数p的均值: 0.5970
   • 标准差: 0.1919
   • ESS/s: 67.0373

从结果可以看出，SliceSampling变体在有效样本量每秒(ESS/s)指标上显著优于HMC，且无需复杂的参数调优。

注意事项与最佳实践

1. 变量顺序问题：在联合采样多个变量时，变量的顺序会影响结果。建议按照模型中变量出现的顺序指定采样变量。

2. PG采样器使用：在使用粒子Gibbs(PG)采样器时，不应指定变量名参数，直接使用PG(20)而非PG(20, :z)。

3. 参数设置：SliceSampling的步长参数(如SliceSteppingOut中的2.0)虽然不需要精确调整，但过大或过小仍会影响采样效率。

4. 扩展实现：目前最佳实践是通过包扩展机制实现接口，未来这些接口可能会迁移到AbstractMCMC.jl中。

结论

将SliceSampling集成到Turing.jl的Gibbs采样框架中，提供了一种高效且无需复杂调参的贝叶斯推断方法。特别适合那些包含连续变量的模型，在实际应用中表现出色。随着Turing生态系统的不断完善，这种组合采样方法将为复杂统计建模提供更加灵活高效的解决方案。

对于Julia用户而言，掌握这种技术组合将大大提升贝叶斯建模的效率和便利性，特别是在处理中等规模问题时，可以避免繁琐的采样器参数调优过程。