論文の概要: Fast Posterior Estimation of Cardiac Electrophysiological Model
Parameters via Bayesian Active Learning
- arxiv url: http://arxiv.org/abs/2110.06851v1
- Date: Wed, 13 Oct 2021 16:43:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-14 15:23:32.519885
- Title: Fast Posterior Estimation of Cardiac Electrophysiological Model
Parameters via Bayesian Active Learning
- Title（参考訳）: ベイズアクティブラーニングによる心臓電気生理学的モデルパラメータの高速後方推定
- Authors: Md Shakil Zaman, Jwala Dhamala, Pradeep Bajracharya, John L. Sapp, B.
Milan Horacek, Katherine C. Wu, Natalia A. Trayanova, Linwei Wang
- Abstract要約: 心臓モデルパラメータの後方確率密度関数を近似するベイズ能動学習法を提案する。
正規獲得関数を用いたベイズ能動的学習と比較して, 後方pdfの近似精度が向上したことを示す。
- 参考スコア（独自算出の注目度）: 6.413608840146938
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Probabilistic estimation of cardiac electrophysiological model parameters
serves an important step towards model personalization and uncertain
quantification. The expensive computation associated with these model
simulations, however, makes direct Markov Chain Monte Carlo (MCMC) sampling of
the posterior probability density function (pdf) of model parameters
computationally intensive. Approximated posterior pdfs resulting from replacing
the simulation model with a computationally efficient surrogate, on the other
hand, have seen limited accuracy. In this paper, we present a Bayesian active
learning method to directly approximate the posterior pdf function of cardiac
model parameters, in which we intelligently select training points to query the
simulation model in order to learn the posterior pdf using a small number of
samples. We integrate a generative model into Bayesian active learning to allow
approximating posterior pdf of high-dimensional model parameters at the
resolution of the cardiac mesh. We further introduce new acquisition functions
to focus the selection of training points on better approximating the shape
rather than the modes of the posterior pdf of interest. We evaluated the
presented method in estimating tissue excitability in a 3D cardiac
electrophysiological model in a range of synthetic and real-data experiments.
We demonstrated its improved accuracy in approximating the posterior pdf
compared to Bayesian active learning using regular acquisition functions, and
substantially reduced computational cost in comparison to existing standard or
accelerated MCMC sampling.
- Abstract（参考訳）: 心臓電気生理学的モデルパラメータの確率的推定は、モデルパーソナライズと不確かな定量化への重要なステップとなる。
しかし、これらのモデルシミュレーションに関連する高価な計算は、モデルパラメータの後方確率密度関数 (pdf) の直接的マルコフ連鎖モンテカルロ (mcmc) サンプリングを計算集約的に行う。
一方,シミュレーションモデルから計算効率のよいサロゲートへの置き換えによる近似後pdfは,精度が制限されている。
本稿では,心臓モデルパラメータの後方pdf関数を直接近似するベイズ能動学習法を提案し,少数のサンプルを用いて後方pdfを学習するために,トレーニングポイントをインテリジェントに選択し,シミュレーションモデルをクエリする。
生成モデルをベイズ能動学習に統合し,高次元モデルパラメータの後方pdfを心メッシュの分解能で近似できるようにする。
さらに,背後pdfのモードではなく,形状を近似するトレーニングポイントの選択に焦点をあてた新たな取得機能を導入する。
本研究では,3次元心電気生理学的モデルを用いて組織興奮度を推定する手法について検討した。
正規取得関数を用いたベイズアクティブラーニングと比較し,後進pdfを近似する精度が向上し,既存の標準や高速化mcmcサンプリングに比べて計算コストが大幅に低減した。
関連論文リスト
- Efficient Frequency Selective Surface Analysis via End-to-End Model-Based Learning [2.66269503676104]
本稿では、高次元周波数選択面(FSS)の効率的な電磁解析のための革新的なエンドツーエンドモデルに基づくディープラーニング手法を提案する。
大規模なデータセットを必要とする従来のデータ駆動手法とは異なり、このアプローチは等価回路モデルからの物理的な洞察とディープラーニング技術を組み合わせて、モデルの複雑さを著しく低減し、予測精度を高める。
論文 参考訳（メタデータ） (2024-10-22T07:27:20Z) - Linear Noise Approximation Assisted Bayesian Inference on Mechanistic Model of Partially Observed Stochastic Reaction Network [2.325005809983534]
本稿では、部分的に観察された酵素反応ネットワーク(SRN)に対する効率的なベイズ推論手法を開発する。
線形雑音近似(LNA)メタモデルを提案する。
マルコフ・チェイン・モンテカルロの収束を高速化するために、導出確率の勾配を利用して効率的な後方サンプリング手法を開発した。
論文 参考訳（メタデータ） (2024-05-05T01:54:21Z) - A variational neural Bayes framework for inference on intractable posterior distributions [1.0801976288811024]
トレーニングされたニューラルネットワークに観測データを供給することにより、モデルパラメータの後方分布を効率的に取得する。
理論的には、我々の後部はKulback-Leiblerの発散において真の後部に収束することを示す。
論文 参考訳（メタデータ） (2024-04-16T20:40:15Z) - Fusion of Gaussian Processes Predictions with Monte Carlo Sampling [61.31380086717422]
科学と工学において、私たちはしばしば興味のある変数の正確な予測のために設計されたモデルで作業します。
これらのモデルが現実の近似であることを認識し、複数のモデルを同じデータに適用し、結果を統合することが望ましい。
論文 参考訳（メタデータ） (2024-03-03T04:21:21Z) - Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。
本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
論文 参考訳（メタデータ） (2022-03-23T12:52:49Z) - Smoothness and continuity of cost functionals for ECG mismatch
computation [0.0]
逆電気生理学的モデリング、すなわち、ECGのような電気的測定からモデルを作成する場合、シミュレーションされたECGの滑らかさについて、より詳しく調べる必要がある。
我々は、単純化された左心室モデルのテストベンチを作成し、スムーズなコスト汎関数による効率的な逆モデリングのための最も重要な要因を実証する。
論文 参考訳（メタデータ） (2022-01-12T14:16:47Z) - 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) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳（メタデータ） (2021-06-25T20:09:23Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳（メタデータ） (2021-06-05T01:31:51Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - Quantifying the Uncertainty in Model Parameters Using Gaussian
Process-Based Markov Chain Monte Carlo: An Application to Cardiac
Electrophysiological Models [7.8316005711996235]
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。
論文 参考訳（メタデータ） (2020-06-02T23:48:15Z)
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。