Novel and flexible parameter estimation methods for data-consistent inversion in mechanistic modeling

要約

物理システムの予測は、多くの場合、生物科学における細胞の集合など、実体の集合から得られた知識に依存します。
定性的および定量的分析の場合、これらのアンサンブルは機構モデル (MM) のパラメトリック ファミリを使用してシミュレートされます。
現在、物理システムのパラメーター推定では、ベイズ推論とモデルの母集団に基づく 2 つのクラスの方法論が普及しています。
ただし、ベイジアン分析では、MM パラメーターの有益でない事前分布により、望ましくないバイアスが生じます。
ここでは、データ整合性逆変換とも呼ばれる確率的逆問題 (SIP) のフレームワーク内でパラメータを推論する方法を提案します。この場合、従来法は MM 非可逆性によって生じる不確実性のみを対象としています。
実証するために、拒絶サンプリング、マルコフ連鎖モンテカルロ、敵対的生成ネットワーク (GAN) に基づいて SIP を解決する新しい方法を紹介します。
さらに、SIP の限界を克服するために、制約付き最適化に基づいて SIP を再定式化し、制約付き最適化問題を解決する新しい GAN を提示します。

要約(オリジナル)

Predictions for physical systems often rely upon knowledge acquired from ensembles of entities, e.g., ensembles of cells in biological sciences. For qualitative and quantitative analysis, these ensembles are simulated with parametric families of mechanistic models (MM). Two classes of methodologies, based on Bayesian inference and Population of Models, currently prevail in parameter estimation for physical systems. However, in Bayesian analysis, uninformative priors for MM parameters introduce undesirable bias. Here, we propose how to infer parameters within the framework of stochastic inverse problems (SIP), also termed data-consistent inversion, wherein the prior targets only uncertainties that arise due to MM non-invertibility. To demonstrate, we introduce new methods to solve SIP based on rejection sampling, Markov chain Monte Carlo, and generative adversarial networks (GANs). In addition, to overcome limitations of SIP, we reformulate SIP based on constrained optimization and present a novel GAN to solve the constrained optimization problem.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google