Skip to main content
Ir a la página de inicio de la Comisión Europea (se abrirá en una nueva ventana)
español es
CORDIS - Resultados de investigaciones de la UE
CORDIS

Markov Chain Monte Carlo using couplings toward scalable statistical inference

Descripción del proyecto

Eficacia y precisión del método de Montecarlo basado en cadenas de Markov mediante el uso de «hardware» informático moderno

La ciencia de datos lleva mucho tiempo abordando la aproximación de probabilidades, un reto que afecta a campos como la estadística bayesiana, las pruebas de hipótesis clásicas y los modelos con probabilidades intratables. El método de Montecarlo basado en cadenas de Markov (MCMC, por sus siglas en inglés) ofrece un potente método mediante el uso de una cadena de Markov para estimar probabilidades, pero su eficacia se desajusta cada vez más con los modernos avances en «hardware» informático. El equipo del proyecto UMCMC, financiado por el CEI, avanzará en el marco del método de Montecarlo basado en cadenas de Markov insesgado (UMCMC) para mejorar la coordinación del MCMC con las arquitecturas informáticas contemporáneas. Al perfeccionar este método, en el proyecto se pretende mejorar la precisión, la escalabilidad y la eficiencia computacional, lo que permitirá que la inferencia probabilística sea más eficaz en diversas aplicaciones científicas y estadísticas.

Objetivo

This project develops a statistical toolbox for the approximation of probability distributions that commonly arise in data analysis. The problem of approximating probabilities arise in many tasks of data science: in Bayesian statistics and its many variants, in classical hypothesis testing with p-values, in likelihood-based methods when the model involves latent variables, in models with intractable likelihoods, in the construction of knockoffs for principled variable selection, for example. State-of-the-art methods for such approximations include Markov chain Monte Carlo (MCMC), where a Markov chain is generated in such a way that it converges to the probability of interest as the length of the sequence goes to infinity. This stands at odds with modern developments in computing hardware, which provide an increasing number of parallel processors, but where each process has a stagnating clock speed. Methods that are amenable to parallel computing must emerge to help scientists in all fields to make the most of their data. The project builds upon a framework called Unbiased Markov chain Monte Carlo (UMCMC), in which accuracy improves arbitrarily with the number of parallel runs. Each run involves the generation of coupled Markov chains for a random time horizon.

Part 1 develops UMCMC to realize its potential as a comprehensive basis for probabilistic computation on modern hardware. The project includes theoretical analyses of cost and measures of efficiency, and methodological innovations towards adaptive, efficient, robust and convenient computation.

Part 2 contributes to the applicability of UMCMC, by conceptualizing the design of coupled Markov transitions, and considering a number of challenging settings: distributions supported on submanifolds and their application in economics, distributions on graphs and their applications in the fight against malaria, and Bayesian nonparametric models for cell type deconvolution from transcriptomics data.

Ámbito científico (EuroSciVoc)

Palabras clave

Programa(s)

Tema(s)

Régimen de financiación

HORIZON-ERC - HORIZON ERC Grants

Ver todos los proyectos financiados en el marco de este régimen de financiación

Convocatoria de propuestas

(se abrirá en una nueva ventana) ERC-2024-COG

Ver todos los proyectos financiados en el marco de esta convocatoria

Institución de acogida

ASSOCIATION GROUPE ESSEC
Aportación neta de la UEn
€ 2 000 000,00
Coste total
€ 2 000 000,00

Beneficiarios (1)