Prior Density Learning in Variational Bayesian Phylogenetic Parameters Inference

要約

変分推論の進歩により、ベイズ推定問題に有望な道が提供されています。
これらの進歩により、変分系統推論は系統事後分布を近似するためのマルコフ連鎖モンテカルロ法に代わるアプローチになりました。
ただし、このようなアプローチの主な欠点の 1 つは、事前分布から固定分布までのモデリングであり、現在のデータ分布から離れている場合、事後近似にバイアスがかかる可能性があります。
この論文では、勾配ベースの方法とニューラルネットワークベースのパラメータ化を使用して事前密度のパラメータを学習することで、事前密度の硬直性を緩和するアプローチと実装フレームワークを提案します。
我々は、このアプローチをいくつかのマルコフ連鎖置換モデルの下での枝の長さと進化パラメータの推定に適用しました。
実行されたシミュレーションの結果は、このアプローチが枝の長さと進化モデルのパラメーターの推定に強力であることを示しています。
また、柔軟な事前モデルの方が、事前定義された事前モデルよりも優れた結果が得られる可能性があることも示しています。
最後に、結果は、ニューラル ネットワークを使用すると、事前の密度パラメーターの最適化の初期化が改善されることを強調しています。

要約(オリジナル)

The advances in variational inference are providing promising paths in Bayesian estimation problems. These advances make variational phylogenetic inference an alternative approach to Markov Chain Monte Carlo methods for approximating the phylogenetic posterior. However, one of the main drawbacks of such approaches is the modelling of the prior through fixed distributions, which could bias the posterior approximation if they are distant from the current data distribution. In this paper, we propose an approach and an implementation framework to relax the rigidity of the prior densities by learning their parameters using a gradient-based method and a neural network-based parameterization. We applied this approach for branch lengths and evolutionary parameters estimation under several Markov chain substitution models. The results of performed simulations show that the approach is powerful in estimating branch lengths and evolutionary model parameters. They also show that a flexible prior model could provide better results than a predefined prior model. Finally, the results highlight that using neural networks improves the initialization of the optimization of the prior density parameters.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google