Robust and highly scalable estimation of directional couplings from time-shifted signals

要約

間接測定からネットワークのノード間の有向結合を推定することは、神経科学、システム生物学、経済学などの科学分野における中心的な方法論上の課題です。
残念ながら、測定に未知の遅延が存在する可能性があるため、この問題は一般的に不適切です。
この論文では、変分ベイズ フレームワークを使用してこの問題の解決策を提案します。このフレームワークでは、保守的な結合推定値を取得するために遅延の不確実性が周辺化されます。
古典的な変分法のよく知られている過信を克服するために、ハイブリッド VI スキームを使用します。このスキームでは、測定パラメータに対する (おそらく平坦または多峰性の) 事後分布が順方向 KL 損失を使用して推定され、一方、結合に対する (ほぼ凸の) 条件付き事後分布が推定されます。
は、拡張性の高い勾配ベースの VI を使用して推定されます。
私たちのグラウンドトゥルース実験では、このネットワークが信頼性の高い控えめな結合推定値を提供し、回帰 DCM などの同様の手法を大幅に上回るパフォーマンスを示しました。

要約(オリジナル)

The estimation of directed couplings between the nodes of a network from indirect measurements is a central methodological challenge in scientific fields such as neuroscience, systems biology and economics. Unfortunately, the problem is generally ill-posed due to the possible presence of unknown delays in the measurements. In this paper, we offer a solution of this problem by using a variational Bayes framework, where the uncertainty over the delays is marginalized in order to obtain conservative coupling estimates. To overcome the well-known overconfidence of classical variational methods, we use a hybrid-VI scheme where the (possibly flat or multimodal) posterior over the measurement parameters is estimated using a forward KL loss while the (nearly convex) conditional posterior over the couplings is estimated using the highly scalable gradient-based VI. In our ground-truth experiments, we show that the network provides reliable and conservative estimates of the couplings, greatly outperforming similar methods such as regression DCM.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google