Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Coupling from the past Arthur Leclaire Université Paris Descartes Groupe de travail des thésards et jeunes docteurs 7 mai 2013 A. Leclaire Coupling from the past Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Plan de la présentation 1 Rappels sur les Chaînes de Markov 2 Coupling from the past Applications de transition et coalescence Conditions de coalescence Le cas monotone 3 Application aux champs de Gibbs Modèle d’Ising Champ de Gibbs à énergie sous-modulaire A. Leclaire Coupling from the past Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Bibliographie James Gary Propp and David Bruce Wilson. Exact sampling with coupled markov chains and applications to statistical mechanics. Random structures and Algorithms, 9(1-2) :223–252, 1996. Christian Lantuejoul. Geostatistical Simulation : Models and Algorithms. Springer, 2002. A. Leclaire Coupling from the past Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Plan 1 Rappels sur les Chaînes de Markov 2 Coupling from the past 3 Application aux champs de Gibbs A. Leclaire Coupling from the past Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Définition Soit Ω un espace d’états fini. Définition Soit (Xn )n≥0 une suite de v.a. à valeurs dans Ω. On dit que (Xn ) est une chaîne de Markov de matrice de transition Q si pour tout n ≥ 0, P(Xn+1 = y | X0 = x0 , . . . , Xn = xn ) = Q(xn , y ) pour tous x0 , . . . , xn , y ∈ Ω tels que P(X0 = x0 , . . . , Xn = xn ) > 0 . A. Leclaire Coupling from the past Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Matrice de transition Soit (Xn ) une chaîne de Markov de matrice de transition Q. Alors, Q est une matrice vérifiant ∀x, y ∈ Ω, Q(x, y ) = P(Xn+1 = y | Xn = x) . Plus généralement, ∀x, y ∈ Ω, Q k (x, y ) = P(Xn+k = y | Xn = x) . A. Leclaire Coupling from the past Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Irréductibilité Définition La chaîne (ou la matrice Q) est dite irréductible si ∀x, y ∈ Ω, ∃n, Q n (x, y ) > 0 . Proposition Pour Ω fini, si la chaîne est irréductible, alors elle est récurrente, c’est-à-dire que presque sûrement, (Xn ) visite une infinité de fois tous les états. A. Leclaire Coupling from the past Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Loi invariante Définition On dit qu’une loi de probabilité p sur Ω est invariante (ou stationnaire) pour Q si X pQ = p i.e. ∀y ∈ Ω, p(x)Q(x, y ) = p(y ) . x∈Ω Cela revient à dire que Xn ∼ p =⇒ Xn+1 ∼ p . Théorème Pour Ω fini, si la chaîne est irréductible, alors il existe une unique mesure de probabilité invariante. A. Leclaire Coupling from the past Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Apériodicité Définition La période de x ∈ Ω pour la chaîne (Xn ) est d(x) = pgcd{n ≥ 0 | Q n (x, x) > 0} . Proposition Supposons (Xn ) irréductible. Alors 1 Tous les points ont la même période d ≥ 1. 2 Si d = 1, alors ∀x, y ∈ Ω, ∃n0 , ∀n ≥ n0 , Q n (x, y ) > 0 . On dit dans ce cas que la chaîne est apériodique. A. Leclaire Coupling from the past Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Convergence en loi Théorème Pour Ω fini, si (Xn ) est irréductible apériodique, et si l’on note p la loi de probabilité invariante, alors quelle que soit la loi initiale de X0 , on a ∀y ∈ Ω, P(Xn = y ) −−−→ p(y ) . n→∞ Autrement dit, ∀x, y ∈ Ω, Q n (x, y ) −−−→ p(y ) . A. Leclaire n→∞ Coupling from the past Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Applications de transition et coalescence Conditions de coalescence Le cas monotone Plan 1 Rappels sur les Chaînes de Markov 2 Coupling from the past Applications de transition et coalescence Conditions de coalescence Le cas monotone 3 Application aux champs de Gibbs A. Leclaire Coupling from the past Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Applications de transition et coalescence Conditions de coalescence Le cas monotone Composition inversée F1 F IGURE: Composition des applications de transition F1 = F1 A. Leclaire Coupling from the past Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Applications de transition et coalescence Conditions de coalescence Le cas monotone Composition inversée F2 F1 F IGURE: Composition des applications de transition F2 = F1 ◦ F2 A. Leclaire Coupling from the past Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Applications de transition et coalescence Conditions de coalescence Le cas monotone Composition inversée F3 F2 F1 F IGURE: Composition des applications de transition F3 = F1 ◦ F2 ◦ F3 A. Leclaire Coupling from the past Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Applications de transition et coalescence Conditions de coalescence Le cas monotone Composition inversée F4 F3 F2 F1 F IGURE: Composition des applications de transition F4 = F1 ◦ F2 ◦ F3 ◦ F4 A. Leclaire Coupling from the past Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Applications de transition et coalescence Conditions de coalescence Le cas monotone Algorithme CFTP Initialisation : n ← 0, F0 = Id. Tant que ]Fn (Ω) > 1, Générer Fn+1 de loi µ. Poser Fn+1 = F1 ◦ · · · ◦ Fn ◦ Fn+1 . n ←n+1 Retourner l’unique état de Fn (Ω). F IGURE: Algorithme CFTP A. Leclaire Coupling from the past Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Applications de transition et coalescence Conditions de coalescence Le cas monotone Conditions de coalescence Au tableau... A. Leclaire Coupling from the past Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Applications de transition et coalescence Conditions de coalescence Le cas monotone Exemple de CFTP monotone F1 F IGURE: Composition d’applications croissantes F1 = F1 A. Leclaire Coupling from the past Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Applications de transition et coalescence Conditions de coalescence Le cas monotone Exemple de CFTP monotone F2 F IGURE: Composition d’applications croissantes F2 = F1 ◦ F2 A. Leclaire Coupling from the past F1 Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Applications de transition et coalescence Conditions de coalescence Le cas monotone Exemple de CFTP monotone F3 F2 F IGURE: Composition d’applications croissantes F3 = F1 ◦ F2 ◦ F3 A. Leclaire Coupling from the past F1 Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Applications de transition et coalescence Conditions de coalescence Le cas monotone Exemple de CFTP monotone F4 F3 F2 F IGURE: Composition d’applications croissantes F4 = F1 ◦ F2 ◦ F3 ◦ F4 A. Leclaire Coupling from the past F1 Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Applications de transition et coalescence Conditions de coalescence Le cas monotone Exemple de CFTP monotone F5 F4 F3 F2 F IGURE: Composition d’applications croissantes F5 = F1 ◦ F2 ◦ F3 ◦ F4 ◦ F5 A. Leclaire Coupling from the past F1 Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Applications de transition et coalescence Conditions de coalescence Le cas monotone Algorithme CFTP monotone Initialisation : n ← 0, F0 = Id. Tant que Fn (0̂) 6= Fn (1̂), Générer Fn+1 de loi µ. Poser Fn+1 = F1 ◦ · · · ◦ Fn ◦ Fn+1 . n ←n+1 Retourner l’unique état de Fn (Ω). F IGURE: Algorithme CFTP monotone A. Leclaire Coupling from the past Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Applications de transition et coalescence Conditions de coalescence Le cas monotone Simulation de v.a. binomiales On veut simuler une v.a. X sur {0, . . . , k } de loi x x p(x) = r (1 − r )k −x (r ∈ (0, 1)) . k On considère la matrice de transition Q défini par (1 − r )x p(x − 1) = p(x) + p(x − 1) r (k − x + 1) + (1 − r )x r (k − x) p(x + 1) = Q(x, x + 1) = p(x) + p(x + 1) r (k − x) + (1 − r )(x + 1) Q(x, x) = 1 − Q(x, x − 1) − Q(x, x + 1) . Q(x, x − 1) = On simule une application de transition F à partir de U ∼ U(0, 1). A. Leclaire Coupling from the past Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Applications de transition et coalescence Conditions de coalescence Le cas monotone Simulation de v.a. binomiales, algorithme Initialisation : N ← 1 Faire x ←0 y ←k Pour n = N, N − 1, . . . , 1 ◦ Si n > N/2, générer et mémoriser Un ∼ U(0, 1) ◦ x ← Fn (x) ◦ y ← Fn (y ) N ← 2N Tant que x 6= y Retourner x F IGURE: CFTP pour la simulation de v.a. binomiales A. Leclaire Coupling from the past Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Modèle d’Ising Champ de Gibbs à énergie sous-modulaire Plan 1 Rappels sur les Chaînes de Markov 2 Coupling from the past 3 Application aux champs de Gibbs Modèle d’Ising Champ de Gibbs à énergie sous-modulaire A. Leclaire Coupling from the past Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Modèle d’Ising Champ de Gibbs à énergie sous-modulaire Echantillonneur de Gibbs Initialisation de σ quelconque. On itère les deux étapes suivantes : 1 Choix (aléatoire) d’un site i 2 On note σ− (resp. σ+ ) la modification de σ faisant passer i à −1 (resp. à +1). On génère U ∼ U(0, 1) et on pose ( −) σ− si U < π(σ−π(σ )+π(σ+ ) σ= σ+ sinon On notera F l’application de transition associée à i et U. On notera G l’application de transition correspondant à un parcours entier de la grille et à des v.a. uniformes (U(i))i∈S . A. Leclaire Coupling from the past Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Modèle d’Ising Champ de Gibbs à énergie sous-modulaire Ising perfect sampling Initialisation : N ← 1 Faire X ← −1 Y ← +1 Pour n = N, N − 1, . . . , 1 ◦ Si n > N/2, ∀i ∈ S, générer et mémoriser Un (i) ∼ U(0, 1) ◦ X ← Gn (X ) ◦ Y ← Gn (Y ) N ← 2N Tant que X 6= Y Retourner X F IGURE: CFTP pour la simulation Ising A. Leclaire Coupling from the past Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Modèle d’Ising Champ de Gibbs à énergie sous-modulaire Le résultat de Darbon & Sigelle Soit S = [1, M] × [1, N] et V = [0, 255]. Considérons un champ de Gibbs X : S → V de loi p(x) = 1 −U(x) e . Z Théorème (Darbon, Sigelle, 2012) On suppose que U(x) = X U1 (xs ) + s∈S X U2 (xs , xt ) s,t∈S avec U2 sous-modulaire, c’est-à-dire que pour tous a, b ∈ V , U2 (a + 1, b + 1) + U2 (a, b) ≤ U2 (a + 1, b) + U2 (a, b + 1) . Alors, l’échantillonneur de Gibbs associé a des transitions croissantes, et donc on peut simuler ce champ X de manière exacte via CFTP. A. Leclaire Coupling from the past Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Modèle d’Ising Champ de Gibbs à énergie sous-modulaire Champs L2 + TV Exemple U(x) = X (xs − ys )2 + X ws,t |xs − xt | s∼t s∈S où y : S → V est une donnée, et où ws,t ≥ 0. Pour ws,t = λ, on obtient U(x) = kx − y k2 + λTV(x) . Simus... A. Leclaire Coupling from the past Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Modèle d’Ising Champ de Gibbs à énergie sous-modulaire Bibliographie Jérôme Darbon and Marc Sigelle. Image restoration with discrete constrained total variation part I : Fast and exact optimization. JMIV, 26(3) :261–276, 2006. Jérôme Darbon and Marc Sigelle. Image restoration with discrete constrained total variation part II : Levelable functions, convex priors and non-convex cases. Journal of Mathematical Imaging and Vision, 26(3) :277–291, 2006. Christian Lantuejoul. Geostatistical Simulation : Models and Algorithms. Springer, 2002. James Gary Propp and David Bruce Wilson. Exact sampling with coupled markov chains and applications to statistical mechanics. Random structures and Algorithms, 9(1-2) :223–252, 1996. A. Leclaire Coupling from the past Rappels sur les Chaînes de Markov Coupling from the past Application aux champs de Gibbs Modèle d’Ising Champ de Gibbs à énergie sous-modulaire Merci ! M ERCI DE VOTRE ATTENTION A. Leclaire Coupling from the past