論文の概要: Quantifying the Uncertainty in Model Parameters Using Gaussian
Process-Based Markov Chain Monte Carlo: An Application to Cardiac
Electrophysiological Models
- arxiv url: http://arxiv.org/abs/2006.01983v1
- Date: Tue, 2 Jun 2020 23:48:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 23:19:15.377072
- Title: Quantifying the Uncertainty in Model Parameters Using Gaussian
Process-Based Markov Chain Monte Carlo: An Application to Cardiac
Electrophysiological Models
- Title（参考訳）: ガウス過程に基づくマルコフ連鎖モンテカルロを用いたモデルパラメータの不確かさの定量化 : 心臓電気生理学的モデルへの応用
- Authors: Jwala Dhamala, John L. Sapp, B. Milan Hor\'acek, Linwei Wang
- Abstract要約: パーソナライズされたモデリングには,患者固有のモデルパラメータの推定が重要である。
標準マルコフ連鎖モンテカルロサンプリングは、計算不可能な繰り返しモデルシミュレーションを必要とする。
一般的な解決策は、より高速なサンプリングのためにシミュレーションモデルを計算効率の良いサロゲートに置き換えることである。
- 参考スコア（独自算出の注目度）: 7.8316005711996235
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Estimation of patient-specific model parameters is important for personalized
modeling, although sparse and noisy clinical data can introduce significant
uncertainty in the estimated parameter values. This importance source of
uncertainty, if left unquantified, will lead to unknown variability in model
outputs that hinder their reliable adoptions. Probabilistic estimation model
parameters, however, remains an unresolved challenge because standard Markov
Chain Monte Carlo sampling requires repeated model simulations that are
computationally infeasible. A common solution is to replace the simulation
model with a computationally-efficient surrogate for a faster sampling.
However, by sampling from an approximation of the exact posterior probability
density function (pdf) of the parameters, the efficiency is gained at the
expense of sampling accuracy. In this paper, we address this issue by
integrating surrogate modeling into Metropolis Hasting (MH) sampling of the
exact posterior pdfs to improve its acceptance rate. It is done by first
quickly constructing a Gaussian process (GP) surrogate of the exact posterior
pdfs using deterministic optimization. This efficient surrogate is then used to
modify commonly-used proposal distributions in MH sampling such that only
proposals accepted by the surrogate will be tested by the exact posterior pdf
for acceptance/rejection, reducing unnecessary model simulations at unlikely
candidates. Synthetic and real-data experiments using the presented method show
a significant gain in computational efficiency without compromising the
accuracy. In addition, insights into the non-identifiability and heterogeneity
of tissue properties can be gained from the obtained posterior distributions.
- Abstract（参考訳）: 患者固有のモデルパラメータの推定はパーソナライズド・モデリングにおいて重要であるが、ばらばらでノイズの多い臨床データは推定パラメータ値にかなりの不確かさをもたらす可能性がある。
この重要な不確実性源は、もし不確実性を残したままにしておけば、モデルの出力に未知の変動をもたらす。
しかし、標準マルコフ連鎖モンテカルロサンプリングは計算不可能である繰り返しモデルシミュレーションを必要とするため、確率的推定モデルパラメータは未解決の課題である。
一般的な解決策は、より高速なサンプリングのためにシミュレーションモデルを計算効率の良いサーロゲートに置き換えることである。
しかし、パラメータの正確な後確率密度関数(pdf)の近似からサンプリングすることにより、サンプリング精度を犠牲にして効率を得る。
本稿では,この問題をメトロポリス・ハスティング (metropolis hasting, mh) による正確な後方pdfのサンプリングに統合し,その受け入れ率を向上させることで解決する。
これはまず、決定論的最適化を用いて、正確な後部 pdf のガウス過程 (GP) を素早く構築する。
この効率的なサロゲートは、MHサンプリングにおいて一般的に使用される提案分布を変更するために使用され、サロゲートによって受け入れられる提案だけが、受け入れ/拒絶のための正確な後部pdfによってテストされる。
提案手法を用いた合成および実データ実験は, 精度を損なうことなく計算効率に大きな向上を示した。
さらに, 得られた後方分布から, 非識別性と組織特性の不均一性に関する知見を得ることができる。
関連論文リスト
- Variational Bayesian surrogate modelling with application to robust design optimisation [0.9626666671366836]
サロゲートモデルは複雑な計算モデルに対して素早く評価できる近似を提供する。
入力の不確かさと次元減少を伴う統計的代理を構築するためのベイズ推定について考察する。
コスト関数がモデル出力の平均および標準偏差の重み付け和に依存するような本質的で頑健な構造最適化問題を示す。
論文 参考訳（メタデータ） (2024-04-23T09:22:35Z) - Deep Evidential Learning for Bayesian Quantile Regression [3.6294895527930504]
1つの決定論的フォワードパスモデルから正確な不確実性を推定することが望ましい。
本稿では,ガウス的仮定を使わずに連続目標分布の量子化を推定できるディープベイズ量子回帰モデルを提案する。
論文 参考訳（メタデータ） (2023-08-21T11:42:16Z) - Conditional Korhunen-Lo\'{e}ve regression model with Basis Adaptation
for high-dimensional problems: uncertainty quantification and inverse
modeling [62.997667081978825]
本稿では,物理系の観測可能な応答のサロゲートモデルの精度を向上させる手法を提案する。
本研究では,定常水理応答のBasis Adaptation (BA)法による代理モデル構築に提案手法を適用した。
論文 参考訳（メタデータ） (2023-07-05T18:14:38Z) - Efficient Propagation of Uncertainty via Reordering Monte Carlo Samples [0.7087237546722617]
不確実性伝播は、入力変数の不確実性に基づいてモデル出力の不確実性を決定する技術である。
本研究は,全ての試料が平均的に有用であるにもかかわらず,他の試料よりも有用であるとする仮説を考察する。
本稿では、MCサンプルを適応的に並べ替える手法を導入し、UPプロセスの計算コストの削減をもたらす方法を示す。
論文 参考訳（メタデータ） (2023-02-09T21:28:15Z) - Theoretical characterization of uncertainty in high-dimensional linear
classification [24.073221004661427]
本研究では,高次元入力データとラベルの限られたサンプル数から学習する不確実性が,近似メッセージパッシングアルゴリズムによって得られることを示す。
我々は,信頼度を適切に正則化することで緩和する方法について論じるとともに,損失に対するクロスバリデーションが0/1誤差よりもキャリブレーションが優れていることを示す。
論文 参考訳（メタデータ） (2022-02-07T15:32:07Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。
分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。
本手法は精度と不確実性の両方を向上することを示す。
論文 参考訳（メタデータ） (2021-09-27T01:09:08Z) - Variational Inference with NoFAS: Normalizing Flow with Adaptive
Surrogate for Computationally Expensive Models [7.217783736464403]
マルコフ連鎖モンテカルロのようなサンプリングに基づくアプローチの使用は、それぞれの可能性評価が計算的に高価であるときに難解になる可能性がある。
変分推論と正規化フローを組み合わせた新しいアプローチは、潜在変数空間の次元と線形にしか成長しない計算コストによって特徴づけられる。
本稿では,ニューラルネットワークサロゲートモデルの正規化フローパラメータと重みを代わりに更新する最適化戦略である,適応サロゲートを用いた正規化フロー(NoFAS)を提案する。
論文 参考訳（メタデータ） (2021-08-28T14:31:45Z) - Scalable Marginal Likelihood Estimation for Model Selection in Deep
Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。
本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文 参考訳（メタデータ） (2021-04-11T09:50:24Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z) - SUMO: Unbiased Estimation of Log Marginal Probability for Latent
Variable Models [80.22609163316459]
無限級数のランダム化トランケーションに基づく潜在変数モデルに対して、ログ境界確率の非バイアス推定器とその勾配を導入する。
推定器を用いてトレーニングしたモデルは、同じ平均計算コストに対して、標準的な重要度サンプリングに基づくアプローチよりも優れたテストセット確率を与えることを示す。
論文 参考訳（メタデータ） (2020-04-01T11:49:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。