論文の概要: Variational Bayesian Phylogenetic Inference with Semi-implicit Branch Length Distributions
- arxiv url: http://arxiv.org/abs/2408.05058v1
- Date: Fri, 9 Aug 2024 13:29:08 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-12 15:37:31.519955
- Title: Variational Bayesian Phylogenetic Inference with Semi-implicit Branch Length Distributions
- Title（参考訳）: 半単純分岐長分布を用いた変分ベイズ系統推定
- Authors: Tianyu Xie, Frederick A. Matsen IV, Marc A. Suchard, Cheng Zhang,
- Abstract要約: 本稿では,グラフニューラルネットワークを用いた半単純階層分布に基づく分岐長変動後続の柔軟な系を提案する。
この構造は単純置換同変分布を出力するので、ユークリッドでない枝長空間を異なる木位相で容易に扱えることを示す。
- 参考スコア（独自算出の注目度）: 6.553961278427792
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reconstructing the evolutionary history relating a collection of molecular sequences is the main subject of modern Bayesian phylogenetic inference. However, the commonly used Markov chain Monte Carlo methods can be inefficient due to the complicated space of phylogenetic trees, especially when the number of sequences is large. An alternative approach is variational Bayesian phylogenetic inference (VBPI) which transforms the inference problem into an optimization problem. While effective, the default diagonal lognormal approximation for the branch lengths of the tree used in VBPI is often insufficient to capture the complexity of the exact posterior. In this work, we propose a more flexible family of branch length variational posteriors based on semi-implicit hierarchical distributions using graph neural networks. We show that this semi-implicit construction emits straightforward permutation equivariant distributions, and therefore can handle the non-Euclidean branch length space across different tree topologies with ease. To deal with the intractable marginal probability of semi-implicit variational distributions, we develop several alternative lower bounds for stochastic optimization. We demonstrate the effectiveness of our proposed method over baseline methods on benchmark data examples, in terms of both marginal likelihood estimation and branch length posterior approximation.
- Abstract（参考訳）: 分子配列の収集に関連する進化の歴史を再構築することは、現代のベイズ系統解析の主要な主題である。
しかし、一般的なマルコフ連鎖モンテカルロ法は系統樹の複雑な空間、特に配列の数が大きい場合、非効率である。
もう一つのアプローチは変分ベイズ系統推定(VBPI)であり、推論問題を最適化問題に変換する。
有効ではあるが、VBPIで使用される木の枝長に対するデフォルトの対角対角対数正規近似は、しばしば正確な後部の複雑さを捉えるのに不十分である。
本研究では,グラフニューラルネットワークを用いた半単純階層分布に基づく分岐長変動後続の柔軟な系を提案する。
この半単純構成は、単純置換同変分布を出力し、したがって、異なる木トポロジーにまたがる非ユークリッド分岐長空間を容易に扱えることを示す。
半単純変分分布の難解な限界確率に対処するために、確率最適化のためのいくつかの代替の下界を開発する。
本稿では,ベンチマークデータを用いたベースライン法に対する提案手法の有効性を,限界推定と分岐長後部近似の両面から示す。
関連論文リスト
- Improving Tree Probability Estimation with Stochastic Optimization and Variance Reduction [11.417249588622926]
サブスプリットベイズネットワーク(SBN)は木確率推定のための強力な確率的グラフィカルモデルを提供する。
現在、SBNパラメータの学習に使われている期待値(EM)法は、大きなデータセットまでスケールしない。
本稿では,SBNを学習するための計算効率のよい方法をいくつか紹介し,分散化が性能向上の鍵となることを示す。
論文 参考訳（メタデータ） (2024-09-09T02:22:52Z) - PhyloGFN: Phylogenetic inference with generative flow networks [57.104166650526416]
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) - Designing Biological Sequences via Meta-Reinforcement Learning and
Bayesian Optimization [68.28697120944116]
メタ強化学習を用いて自己回帰生成モデルを訓練し、選択のための有望なシーケンスを提案する。
我々は,データのサブセットのサンプリングによって誘導されるMDPの分布に対する最適ポリシーを求める問題として,この問題を提起する。
このようなアンサンブルに対するメタラーニングは,報酬の過小評価に対して頑健であり,競争的な結果が得られることを示す。
論文 参考訳（メタデータ） (2022-09-13T18:37:27Z) - A Variational Approach to Bayesian Phylogenetic Inference [7.251627034538359]
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。
実データ系統推定問題に対するベンチマーク実験により,本手法の有効性と有効性を示す。
論文 参考訳（メタデータ） (2022-04-16T08:23:48Z) - A Variational Inference Approach to Inverse Problems with Gamma
Hyperpriors [60.489902135153415]
本稿では,ガンマハイパープライヤを用いた階層的逆問題に対する変分反復交替方式を提案する。
提案した変分推論手法は正確な再構成を行い、意味のある不確実な定量化を提供し、実装が容易である。
論文 参考訳（メタデータ） (2021-11-26T06:33:29Z) - 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) - Implicit Generative Copulas [0.0]
我々は、暗黙的な生成ニューラルネットワークに基づく柔軟な、しかし概念的には単純な代替案を提案する。
ファイナンス、物理、画像生成の合成および実データに関する実験は、このアプローチの性能を実証している。
論文 参考訳（メタデータ） (2021-09-29T17:05:30Z) - What Are Bayesian Neural Network Posteriors Really Like? [63.950151520585024]
ハミルトニアンモンテカルロは、標準およびディープアンサンブルよりも大きな性能向上を達成できることを示す。
また,深部分布は標準SGLDとHMCに類似しており,標準変動推論に近いことが示された。
論文 参考訳（メタデータ） (2021-04-29T15:38:46Z) - Improved Variational Bayesian Phylogenetic Inference with Normalizing
Flows [7.119831726757417]
本稿では, 深層学習技術を用いた系統的後生推定の促進に向けた第一歩として, 新たなVBPI, VBPI-NFを提案する。
VBPI-NFは正規化フローを使用して、異なる木のトポロジーをまたいで一般化する柔軟な分岐長さ分布のリッチなファミリーを提供する。
論文 参考訳（メタデータ） (2020-12-01T13:10:00Z) - Improving predictions of Bayesian neural nets via local linearization [79.21517734364093]
ガウス・ニュートン近似は基礎となるベイズニューラルネットワーク(BNN)の局所線形化として理解されるべきである。
この線形化モデルを後部推論に使用するので、元のモデルではなく、この修正モデルを使用することも予測すべきである。
この修正された予測を"GLM predictive"と呼び、Laplace近似の共通不適合問題を効果的に解決することを示す。
論文 参考訳（メタデータ） (2020-08-19T12:35:55Z) - Bayesian Deep Learning and a Probabilistic Perspective of Generalization [56.69671152009899]
ディープアンサンブルはベイズ辺化を近似する有効なメカニズムであることを示す。
また,アトラクションの流域内での辺縁化により,予測分布をさらに改善する関連手法を提案する。
論文 参考訳（メタデータ） (2020-02-20T15:13:27Z)
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。