論文の概要: Integration of AI and mechanistic modeling in generative adversarial
networks for stochastic inverse problems
- arxiv url: http://arxiv.org/abs/2009.08267v2
- Date: Tue, 27 Oct 2020 23:16:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-17 08:34:27.555141
- Title: Integration of AI and mechanistic modeling in generative adversarial
networks for stochastic inverse problems
- Title（参考訳）: 確率逆問題に対する生成的逆ネットワークにおけるaiと機械モデルの統合
- Authors: Jaimit Parikh, James Kozloski, and Viatcheslav Gurev
- Abstract要約: 我々はGAN(Generative Adversarial Network)に基づく新しいディープラーニングモデルを開発する。
本研究では, ある不確実性のあるモデルパラメータのサブセットのみに選択的に影響を及ぼすか, あるいは全てのモデルパラメータに決定論的効果を有する治療集団と, 制御集団に対するパラメータ推定のシナリオを2つ示す。
- 参考スコア（独自算出の注目度）: 0.3128201162068913
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Stochastic inverse problems (SIP) address the behavior of a set of objects of
the same kind but with variable properties, such as a population of cells.
Using a population of mechanistic models from a single parametric family, SIP
explains population variability by transferring real-world observations into
the latent space of model parameters. Previous research in SIP focused on
solving the parameter inference problem for a single population using Markov
chain Monte Carlo methods. Here we extend SIP to address multiple related
populations simultaneously. Specifically, we simulate control and treatment
populations in experimental protocols by discovering two related latent spaces
of model parameters. Instead of taking a Bayesian approach, our two-population
SIP is reformulated as the constrained-optimization problem of finding
distributions of model parameters. To minimize the divergence between
distributions of experimental observations and model outputs, we developed
novel deep learning models based on generative adversarial networks (GANs)
which have the structure of our underlying constrained-optimization problem.
The flexibility of GANs allowed us to build computationally scalable solutions
and tackle complex model input parameter inference scenarios, which appear
routinely in physics, biophysics, economics and other areas, and which can not
be handled with existing methods. Specifically, we demonstrate two scenarios of
parameter inference over a control population and a treatment population whose
treatment either selectively affects only a subset of model parameters with
some uncertainty or has a deterministic effect on all model parameters.
- Abstract（参考訳）: 確率逆問題(SIP: Stochastic inverse problem)は、同じ種類の物体の集合の振る舞いに対処するが、細胞の集団のような様々な性質を持つ。
単一のパラメトリックファミリーからの機械的なモデル集団を用いて、sipは実世界の観測をモデルパラメータの潜在空間に移すことで、人口変動を説明する。
SIPにおける以前の研究は、マルコフ連鎖モンテカルロ法による単一集団のパラメータ推論問題の解決に重点を置いていた。
ここでは、複数の関連人口に対応するためにSIPを拡張している。
具体的には,モデルパラメータの2つの関連潜在空間を発見し,実験プロトコルにおける制御と治療の集団をシミュレートする。
ベイズ的アプローチではなく、モデルパラメータの分布を求める制約最適化問題として、2つの集団SIPを再構成する。
実験結果の分布とモデル出力の相違を最小限に抑えるために,制約最適化問題の構造を持つgans(generative adversarial network)に基づく新しいディープラーニングモデルを開発した。
GANの柔軟性により、計算にスケーラブルなソリューションを構築し、物理、生物物理学、経済学などの分野で日常的に現れる複雑なモデル入力パラメータ推論シナリオに取り組むことができ、既存の方法では扱えない。
具体的には,制御集団に対するパラメータ推定と,不確かさのあるモデルパラメータのサブセットのみに選択的に影響を及ぼすか,モデルパラメータに決定論的影響を与える治療集団の2つのシナリオを示す。
関連論文リスト
- SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。
SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。
画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
論文 参考訳（メタデータ） (2024-08-19T17:32:15Z) - Proximal Interacting Particle Langevin Algorithms [0.0]
本稿では,潜時変動モデルにおける推論と学習のためのPIPLAアルゴリズムを提案する。
非微分不可能な統計モデルにおけるパラメータ推定の問題に合わせた、新しい近位IPLAファミリー内のいくつかの変種を提案する。
我々の理論と実験は、PIPLAファミリーが非微分可能モデルの潜在変数モデルにおけるパラメータ推定問題のデファクト選択であることを示している。
論文 参考訳（メタデータ） (2024-06-20T13:16:41Z) - Variational Inference of Parameters in Opinion Dynamics Models [9.51311391391997]
この研究は、変数推論を用いて、意見力学 ABM のパラメータを推定する。
我々は推論プロセスを自動微分に適した最適化問題に変換する。
提案手法は, シミュレーションベース法とMCMC法より, マクロ的(有界信頼区間とバックファイア閾値)と微視的(200ドル, エージェントレベルの役割)の両方を正確に推定する。
論文 参考訳（メタデータ） (2024-03-08T14:45:18Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Simulation-based Inference for Model Parameterization on Analog
Neuromorphic Hardware [1.843681725117436]
本研究では、BrainScaleS-2システム上でエミュレートされた多成分ニューロンモデルのパラメータ化のための逐次的神経後部推定アルゴリズムの適合性について検討した。
SNPEアルゴリズムはシミュレーションに基づく推論手法のクラスに属し、モデルパラメータの後方分布を推定する。
論文 参考訳（メタデータ） (2023-03-28T15:37:30Z) - Dynamical Hyperspectral Unmixing with Variational Recurrent Neural
Networks [25.051918587650636]
MTHU(Multitemporal hyperspectral unmixing)は、ハイパースペクトル画像解析の基本的なツールである。
本稿では,変分リカレントニューラルネットワークに基づく教師なしMTHUアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-03-19T04:51:34Z) - 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) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳（メタデータ） (2021-06-03T12:59:16Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳（メタデータ） (2020-07-02T17:55:47Z) - Bayesian System ID: Optimal management of parameter, model, and
measurement uncertainty [0.0]
システム識別(ID)の確率的定式化の頑健さを,スパース,ノイズ,間接データに対して評価した。
従来手法の目的関数面と比較して,ログ後部は幾何学的特性が向上したことを示す。
論文 参考訳（メタデータ） (2020-03-04T22:48:30Z)
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。