論文の概要: Conformal Prediction in Dynamic Biological Systems

• arxiv url: http://arxiv.org/abs/2409.02644v1
• Date: Wed, 4 Sep 2024 12:20:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-05 18:53:31.376796
• Title: Conformal Prediction in Dynamic Biological Systems
• Title（参考訳）: 生体力学系におけるコンフォーマル予測
• Authors: Alberto Portela, Julio R. Banga, Marcos Matabuena,
• Abstract要約: 不確実性定量化(英: Uncertainty Quantification、UQ)は、計算モデル予測における信頼度を体系的に決定し、特徴づける過程である。 ここでは、決定論的非線形常微分方程式で表される動的モデルに焦点を当てる。 本稿では,共形推論手法を用いて,漸近的でない保証を提供する2つの新しいアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.6144680854063939
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Uncertainty quantification (UQ) is the process of systematically determining and characterizing the degree of confidence in computational model predictions. In the context of systems biology, especially with dynamic models, UQ is crucial because it addresses the challenges posed by nonlinearity and parameter sensitivity, allowing us to properly understand and extrapolate the behavior of complex biological systems. Here, we focus on dynamic models represented by deterministic nonlinear ordinary differential equations. Many current UQ approaches in this field rely on Bayesian statistical methods. While powerful, these methods often require strong prior specifications and make parametric assumptions that may not always hold in biological systems. Additionally, these methods face challenges in domains where sample sizes are limited, and statistical inference becomes constrained, with computational speed being a bottleneck in large models of biological systems. As an alternative, we propose the use of conformal inference methods, introducing two novel algorithms that, in some instances, offer non-asymptotic guarantees, enhancing robustness and scalability across various applications. We demonstrate the efficacy of our proposed algorithms through several scenarios, highlighting their advantages over traditional Bayesian approaches. The proposed methods show promising results for diverse biological data structures and scenarios, offering a general framework to quantify uncertainty for dynamic models of biological systems.The software for the methodology and the reproduction of the results is available at https://zenodo.org/doi/10.5281/zenodo.13644870.
• Abstract（参考訳）: 不確実性定量化(英: Uncertainty Quantification、UQ)は、計算モデル予測における信頼度を体系的に決定し、特徴づける過程である。 システム生物学、特に動的モデルにおいて、UQは非線形性とパラメータ感度によって生じる課題に対処するので、複雑な生物学的システムの振る舞いを適切に理解し、外挿することができる。 ここでは、決定論的非線形常微分方程式で表される動的モデルに焦点を当てる。 この分野での現在の多くのUQアプローチはベイズ統計法に依存している。 強力ではあるが、これらの方法はしばしば強い事前仕様を必要とし、生物学的システムでは常に成り立たないパラメトリックな仮定を行う。 さらに、これらの手法はサンプルサイズが制限され、統計推論が制約される領域では問題に直面し、計算速度は生物学系の大規模モデルにおいてボトルネックとなる。 代案として、共形推論法を用い、2つの新しいアルゴリズムを導入し、いくつかの場合において、漸近的でない保証を提供し、様々なアプリケーションにまたがる堅牢性とスケーラビリティを向上する。 提案手法の有効性をいくつかのシナリオで実証し,ベイズ的手法に対する優位性を強調した。 提案手法は生体データ構造やシナリオに有望な結果を示し,生体システムの動的モデルに対する不確実性を定量化するための一般的な枠組みを提供する。

関連論文リスト

• Probabilistic Numeric SMC Sampling for Bayesian Nonlinear System Identification in Continuous Time [0.0]
  工学において、ノイズによって汚染されたデータから非線形力学系を正確にモデル化することは必須かつ複雑である。 連続時間常微分方程式(ODE)の統合は、理論モデルと離散サンプリングデータとの整合に不可欠である。 本稿では,非線形力学系の結合パラメータ-状態同定におけるODEの確率論的数値解法の適用例を示す。
  論文  参考訳（メタデータ） (2024-04-19T14:52:14Z)
• Physics-constrained polynomial chaos expansion for scientific machine learning and uncertainty quantification [6.739642016124097]
  本稿では,SciML(SciML)と不確実性定量化(UQ)の両タスクの実行が可能な代理モデリング手法として,物理制約付きカオス展開を提案する。 提案手法は,SciMLをUQにシームレスに統合し,その逆で,SciMLタスクの不確かさを効果的に定量化し,SciMLを利用してUQ関連タスクにおける不確実性評価を改善する。
  論文  参考訳（メタデータ） (2024-02-23T06:04:15Z)
• An information field theory approach to Bayesian state and parameter estimation in dynamical systems [0.0]
  本稿では、連続時間決定論的力学系に適した状態とパラメータ推定のためのスケーラブルなベイズ的手法を開発する。 システム応答の関数空間に物理インフォームドされた事前確率測度を構築し、物理を満たす関数がより高い確率で現れるようにする。
  論文  参考訳（メタデータ） (2023-06-03T16:36:43Z)
• Identifiability and Asymptotics in Learning Homogeneous Linear ODE Systems from Discrete Observations [114.17826109037048]
  通常の微分方程式(ODE)は、機械学習において最近多くの注目を集めている。 理論的な側面、例えば、統計的推定の識別可能性と特性は、いまだに不明である。 本稿では,1つの軌道からサンプリングされた等間隔の誤差のない観測結果から,同次線形ODE系の同定可能性について十分な条件を導出する。
  論文  参考訳（メタデータ） (2022-10-12T06:46:38Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Learning continuous models for continuous physics [94.42705784823997]
  本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。 本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
  論文  参考訳（メタデータ） (2022-02-17T07:56:46Z)
• A Priori Denoising Strategies for Sparse Identification of Nonlinear Dynamical Systems: A Comparative Study [68.8204255655161]
  本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。 一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-29T23:31:25Z)
• 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)
• Compositional Modeling of Nonlinear Dynamical Systems with ODE-based Random Features [0.0]
  この問題に対処するための新しいドメインに依存しないアプローチを提案する。 我々は、通常の微分方程式から導かれる物理インフォームド・ランダムな特徴の合成を用いる。 提案手法は,ベンチマーク回帰タスクにおいて,他の多くの確率モデルに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2021-06-10T17:55:13Z)
• Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
  ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。 本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
  論文  参考訳（メタデータ） (2021-05-17T08:36:18Z)
• System identification using Bayesian neural networks with nonparametric noise models [0.0]
  離散時間非線形ランダムダイナミクス系におけるシステム同定のための非パラメトリックアプローチを提案する。 後部推論用ギブスサンプリング器を提案し, シミュレーションおよび実時間時系列でその有効性を示した。
  論文  参考訳（メタデータ） (2021-04-25T09:49:50Z)

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。