Nospareの佐藤 & Nospare・東京大学の菅澤です. 今回はRue et al. (2009)で提案されたINLA(Integrated Nested Laplace Approximation)を使った大規模データの近似ベイズ法について紹介します. 大規模データに対してMCMCによるベイズ分析を実行する場合 巨大な行列やベクトルの計算を各繰り返しで行う必要がある (潜在変数モデルでは特に) 各繰り返しで生成するパラメータや変数の数が非常に多い などの理由で,計算に非常に時間がかかってしまいます.このような問題に対して様々な近似解法が提案されていますが,本来実行したいMCMCと同等の精度を保持しつつ低計算コストを達成する方法を作ることは容易ではありません. INLAは潜在ガウスモデル(Latent Gaussian Models; LGM)と呼ばれるクラスに対して使える方法ですが
![Integrated Nested Laplace Approximationを用いた近似ベイズ解析 - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/96f558e1709f29ad8e6a579e320512cb06264c79/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-9f5428127621718a910c8b63951390ad.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTkxNiZoPTMzNiZ0eHQ9SW50ZWdyYXRlZCUyME5lc3RlZCUyMExhcGxhY2UlMjBBcHByb3hpbWF0aW9uJUUzJTgyJTkyJUU3JTk0JUE4JUUzJTgxJTg0JUUzJTgxJTlGJUU4JUJGJTkxJUU0JUJDJUJDJUUzJTgzJTk5JUUzJTgyJUE0JUUzJTgyJUJBJUU4JUE3JUEzJUU2JTlFJTkwJnR4dC1jb2xvcj0lMjMyMTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9NTYmdHh0LWNsaXA9ZWxsaXBzaXMmdHh0LWFsaWduPWxlZnQlMkN0b3Amcz1lNmQyODBkM2FmYmZjZjMxMGQ4MmIyZTE3MTY1NDY4NQ%26mark-x%3D142%26mark-y%3D112%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTcxNiZ0eHQ9JTQwTm9zcGFyZV9JbmMlMjBpbiUyMCVFNiVBMCVBQSVFNSVCQyU4RiVFNCVCQyU5QSVFNyVBNCVCRU5vc3BhcmUmdHh0LWNvbG9yPSUyMzIxMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT0zMiZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZzPWJhZmY3MjUzM2U4NzA0Mjg3YzkwMDJmYWZlZTY1ZGE0%26blend-x%3D142%26blend-y%3D491%26blend-mode%3Dnormal%26s%3Db670b7f46829ba8a7d0b59e837dee96b)