論文の概要: A Variational Approach to Bayesian Phylogenetic Inference
- arxiv url: http://arxiv.org/abs/2204.07747v1
- Date: Sat, 16 Apr 2022 08:23:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-20 09:21:26.562742
- Title: A Variational Approach to Bayesian Phylogenetic Inference
- Title(参考訳): ベイズ型系統推論への変分的アプローチ
- Authors: Cheng Zhang, Frederick A. Matsen IV
- Abstract要約: ベイズ系統解析のための変分フレームワークを提案する。
我々はマルコフ勾配法による変分近似を訓練し、連続的および離散的な変分パラメータに対する推定器を採用する。
- 参考スコア(独自算出の注目度): 11.498534296596555
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bayesian phylogenetic inference is currently done via Markov chain Monte
Carlo (MCMC) with simple proposal mechanisms. This hinders exploration
efficiency and often requires long runs to deliver accurate posterior
estimates. In this paper, we present an alternative approach: a variational
framework for Bayesian phylogenetic analysis. We propose combining subsplit
Bayesian networks, an expressive graphical model for tree topology
distributions, and a structured amortization of the branch lengths over tree
topologies for a suitable variational family of distributions. We train the
variational approximation via stochastic gradient ascent and adopt gradient
estimators for continuous and discrete variational parameters separately to
deal with the composite latent space of phylogenetic models. We show that our
variational approach provides competitive performance to MCMC, while requiring
much less computation due to a more efficient exploration mechanism enabled by
variational inference. Experiments on a benchmark of challenging real data
Bayesian phylogenetic inference problems demonstrate the effectiveness and
efficiency of our methods.
- Abstract(参考訳): ベイズ系統推定は現在、マルコフ連鎖モンテカルロ(MCMC)と単純な提案機構によって行われている。
これにより探索の効率が損なわれ、しばしば正確な後方推定を行うのに長い時間を要する。
本稿では,ベイズ型系統解析のための変分フレームワークを提案する。
本稿では,木トポロジ分布の表現型グラフィカルモデルであるサブスプリットベイズネットワークと,木トポロジー上の枝長の構造化アモルティゼーションを組み合わせた分布の変分系を提案する。
確率勾配法による変分近似を訓練し、連続的および離散的な変分パラメータに勾配推定器を適用し、系統モデルの複合潜時空間に対処する。
我々は, 変分推論によりより効率的な探索機構を実現するため, MCMCに対する競争性能が向上する一方で, 計算量が少なくなることを示した。
本手法の有効性と有効性を示す実データベイズ型系統推定問題のベンチマーク実験を行った。
関連論文リスト
- Nonparametric Automatic Differentiation Variational Inference with
Spline Approximation [7.5620760132717795]
複雑な構造を持つ分布に対するフレキシブルな後続近似を可能にする非パラメトリック近似法を開発した。
広く使われている非パラメトリック推論手法と比較して,提案手法は実装が容易であり,様々なデータ構造に適応する。
実験では, 複雑な後続分布の近似における提案手法の有効性を実証し, 不完全データを用いた生成モデルの性能向上を図った。
論文 参考訳(メタデータ) (2024-03-10T20:22:06Z) - Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field
and Online Inference [50.91823345296243]
我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。
EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。
得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
論文 参考訳(メタデータ) (2023-12-10T15:22:30Z) - PhyloGFN: Phylogenetic inference with generative flow networks [59.56365488043478]
本稿では,系統学における2つの中核的問題に対処するための生成フローネットワーク(GFlowNets)の枠組みを紹介する。
GFlowNetsは複雑な構造をサンプリングするのに適しているため、木トポロジー上の多重モード後部分布を探索し、サンプリングするのに自然な選択である。
我々は, 実際のベンチマークデータセット上で, 様々な, 高品質な進化仮説を生成できることを実証した。
論文 参考訳(メタデータ) (2023-10-12T23:46:08Z) - Robust probabilistic inference via a constrained transport metric [8.85031165304586]
我々は、パラメトリックな分布の族の近くに集中するように慎重に設計された指数関数的に傾いた経験的確に構築することで、新しい代替手段を提供する。
提案手法は,多種多様なロバストな推論問題に応用し,中心分布に付随するパラメータを推論する。
我々は,最先端の頑健なベイズ推論手法と比較した場合,提案手法の優れた性能を示す。
論文 参考訳(メタデータ) (2023-03-17T16:10:06Z) - Prior Density Learning in Variational Bayesian Phylogenetic Parameters
Inference [1.03590082373586]
本稿では,勾配に基づく手法とニューラルネットワークに基づくパラメータ化を用いて,それらのパラメータを学習することで,先行密度の剛性を緩和する手法を提案する。
実験の結果, 分岐長と進化モデルパラメータを推定する上で, 提案手法は強力であることが示唆された。
論文 参考訳(メタデータ) (2023-02-06T01:29:15Z) - Bayesian Additive Main Effects and Multiplicative Interaction Models
using Tensor Regression for Multi-environmental Trials [0.0]
本稿では,複数の因子が表現型予測に与える影響を考慮したベイズテンソル回帰モデルを提案する。
我々は、モデルのパラメータ間で生じる可能性のある識別可能性の問題を解決するための、事前分布のセットを採用する。
我々は2010年から2019年までのアイルランドにおける小麦生産に関する実世界のデータを分析して、我々のモデルの適用性を探る。
論文 参考訳(メタデータ) (2023-01-09T19:54:50Z) - Bayesian learning of Causal Structure and Mechanisms with GFlowNets and
Variational Bayes [68.28193418861333]
本研究では,変分ベイズ-DAG-GFlowNetを用いて因果モデルの構造と機構を学習する手法を提案する。
我々は,GFlowNetを用いたベイズ因果構造学習の手法を拡張し,線形ガウスモデルのパラメータを学習する。
論文 参考訳(メタデータ) (2022-11-04T21:57:39Z) - Recursive Monte Carlo and Variational Inference with Auxiliary Variables [64.25762042361839]
再帰的補助変数推論(RAVI)はフレキシブルな提案を利用するための新しいフレームワークである。
RAVIは、表現力のある表現力のある家族を推論するためのいくつかの既存の手法を一般化し、統一する。
RAVIの設計枠組みと定理を,SalimansらによるMarkov Chain Variational Inferenceを用いて解析し,改良することにより示す。
論文 参考訳(メタデータ) (2022-03-05T23:52:40Z) - Adaptive Bayesian Sum of Trees Model for Covariate Dependent Spectral
Analysis [0.4551615447454768]
提案手法は、複雑な依存関係と相互作用を捉えるために、木モデルのベイズ和を用いる。
木内の終端ノードに対応する局所パワースペクトルを非パラメトリックに推定する。
この方法は、ストライド間隔時系列の年齢に伴うパワースペクトルの変化を評価することにより、幼児の歩行成熟度を調べるために用いられる。
論文 参考訳(メタデータ) (2021-09-29T19:25:10Z) - Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。
新規な構造化融合正規化に基づく一般グラフ推定器を提案する。
提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
論文 参考訳(メタデータ) (2021-03-05T04:42:32Z) - Probabilistic Circuits for Variational Inference in Discrete Graphical
Models [101.28528515775842]
変分法による離散的グラフィカルモデルの推論は困難である。
エビデンス・ロウアーバウンド(ELBO)を推定するためのサンプリングに基づく多くの手法が提案されている。
Sum Product Networks (SPN) のような確率的回路モデルのトラクタビリティを活用する新しい手法を提案する。
選択的SPNが表現的変動分布として適していることを示し、対象モデルの対数密度が重み付けされた場合、対応するELBOを解析的に計算可能であることを示す。
論文 参考訳(メタデータ) (2020-10-22T05:04:38Z)
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。