On the concentration properties of Interacting particle processes
Résumé
These lecture notes present some new concentration inequalities for Feynman-Kac particle processes. We analyze different types of stochastic particle models, including particle profile occupation measures, genealogical tree based evolution models, particle free energies, as well as backward Markov chain particle models. We illustrate these results with a series of topics related to computational physics and biology, stochastic optimization, signal processing and bayesian statistics, and many other probabilistic machine learning algorithms. Special emphasis is given to the stochastic modeling and the quantitative performance analysis of a series of advanced Monte Carlo methods, including particle filters, genetic type island models, Markov bridge models, interacting particle Markov chain Monte Carlo methodologies.
Ces notes de cours présentent des nouvelles inégalités de concentration pour les Feynman-Kac processus particulaire. Nous analysons des différents types de modèles particulaires stochastiques, notamment des mesures empiriques particulaires, des modèles d'évolution basée sur arbres généalogiques, des enthalpies libres particulaires, ainsi que des modèles particulaires de chaîne de Markov à rebours. Nous illustrons ces résultats avec une série de sujets liés à la physique et la biologie informatique, l'optimisation stochastique, traitement du signal et statistique bayésienne, et de nombreux autres algorithmes probabilistes d'apprentissage automatique. Un accent particulier est donné à la modélisation stochastique et l'analyse des performances quantitatives d'une série de méthodes approfondies de Monte Carlo, y compris des filtrages particulaires, des Island modèles de type génétique, des modèles de pont markovien, et des methodologies de MCMC particulaire d'interaction.
Origine : Fichiers produits par l'(les) auteur(s)