論文の概要: A Comprehensive Guide to Simulation-based Inference in Computational Biology
- arxiv url: http://arxiv.org/abs/2409.19675v1
- Date: Sun, 29 Sep 2024 12:04:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-01 22:02:47.662882
- Title: A Comprehensive Guide to Simulation-based Inference in Computational Biology
- Title（参考訳）: 計算生物学におけるシミュレーションに基づく推論の包括的ガイド
- Authors: Xiaoyu Wang, Ryan P. Kelly, Adrianne L. Jenner, David J. Warne, Christopher Drovandi,
- Abstract要約: 本稿では,複雑な生物モデルに対するSBIアプローチを決定するための包括的ガイドラインを提供する。
本ガイドラインは,実世界のデータを用いた細胞動態を記述する2つのエージェントベースモデルに適用する。
ニューラルSBI法は推論結果のシミュレーションを著しく少なく要求するが、偏りのある推定を行う傾向にある。
- 参考スコア（独自算出の注目度）: 5.333122501732079
- License:
- Abstract: Computational models are invaluable in capturing the complexities of real-world biological processes. Yet, the selection of appropriate algorithms for inference tasks, especially when dealing with real-world observational data, remains a challenging and underexplored area. This gap has spurred the development of various parameter estimation algorithms, particularly within the realm of Simulation-Based Inference (SBI), such as neural and statistical SBI methods. Limited research exists on how to make informed choices on SBI methods when faced with real-world data, which often results in some form of model misspecification. In this paper, we provide comprehensive guidelines for deciding between SBI approaches for complex biological models. We apply the guidelines to two agent-based models that describe cellular dynamics using real-world data. Our study unveils a critical insight: while neural SBI methods demand significantly fewer simulations for inference results, they tend to yield biased estimations, a trend persistent even with robust variants of these algorithms. On the other hand, the accuracy of statistical SBI methods enhances substantially as the number of simulations increases. This finding suggests that, given a sufficient computational budget, statistical SBI can surpass neural SBI in performance. Our results not only shed light on the efficacy of different SBI methodologies in real-world scenarios but also suggest potential avenues for enhancing neural SBI approaches. This study is poised to be a useful resource for computational biologists navigating the intricate landscape of SBI in biological modeling.
- Abstract（参考訳）: 計算モデルは現実世界の生物学的プロセスの複雑さを捉えるのに有用である。
しかし、特に実世界の観測データを扱う際には、推論タスクに適したアルゴリズムの選択は困難で未探索の領域のままである。
このギャップは、特にSBI(Simulation-Based Inference)の領域において、ニューラルネットワークや統計的SBI法のような様々なパラメータ推定アルゴリズムの開発を加速させた。
実世界のデータに直面する場合、SBIの方法に対して情報的選択を行う方法に関する限定的な研究があり、しばしばある種のモデルの誤特定をもたらす。
本稿では,複雑な生物モデルに対するSBIアプローチを決定するための包括的ガイドラインを提供する。
本ガイドラインは,実世界のデータを用いた細胞動態を記述する2つのエージェントベースモデルに適用する。
我々の研究では、ニューラルネットワークのSBI手法は推論結果のシミュレーションをはるかに少なく要求する一方で、偏りのある推定を産み出す傾向があります。
一方,SBI法の精度はシミュレーションの数が増えるにつれて著しく向上する。
この結果から, 計算予算が十分であれば, 統計SBIがニューラルSBIを超えることが示唆された。
実世界のシナリオで異なるSBI手法が有効であるだけでなく、神経性SBIアプローチを強化するための潜在的な道筋も示唆している。
本研究は,生物モデルにおけるSBIの複雑な景観をナビゲートする計算生物学者にとって有用な資源であると考えられる。
関連論文リスト
- Feasibility Study on Active Learning of Smart Surrogates for Scientific Simulations [4.368891765870579]
深層ニューラルネットワーク(DNN)のサロゲートトレーニングにアクティブラーニングを組み込むことの可能性を検討する。
これにより、インテリジェントで客観的なトレーニングシミュレーションの選択が可能になり、広範なシミュレーションデータを生成する必要がなくなる。
その結果、スマートサロゲートのための高性能コンピューティング基盤の開発の基礎となった。
論文 参考訳（メタデータ） (2024-07-10T14:00:20Z) - Preconditioned Neural Posterior Estimation for Likelihood-free Inference [5.651060979874024]
本稿では,低次元問題においても,神経後部推定法(NPE)の精度は高くないことを示す。
我々は,ABCの短い動作でパラメータ空間の領域を効果的に排除し,シミュレーションとデータ間の大きな相違を生じさせる,プレコンディション付きNPEとそのシーケンシャルバージョン(PSNPE)を提案する。
本稿では, ニューラルネットワークと統計的SBI法を融合させることにより, 様々な事例において性能が向上することを示す。
論文 参考訳（メタデータ） (2024-04-21T07:05:38Z) - Simulation-based Inference for Cardiovascular Models [57.92535897767929]
シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。
臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。
我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
論文 参考訳（メタデータ） (2023-07-26T02:34:57Z) - Stochastic Gradient Bayesian Optimal Experimental Designs for
Simulation-based Inference [0.0]
比に基づくSBI推論アルゴリズムと勾配に基づく変分推論を相互情報のバウンダリを利用して重要な接続を確立する。
この接続により、実験的な設計と償却推論関数の同時最適化を拡張できる。
論文 参考訳（メタデータ） (2023-06-27T18:15:41Z) - Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。
また、局所的な一貫性の結果に基づいた理論的保証も提供する。
この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
論文 参考訳（メタデータ） (2022-11-17T15:48:06Z) - Investigating the Impact of Model Misspecification in Neural
Simulation-based Inference [1.933681537640272]
本研究では,様々なモデルの誤識別が存在する場合のニューラルネットワークSBIアルゴリズムの挙動について検討する。
ミスセグメンテーションは、パフォーマンスに非常に有害な影響を及ぼす可能性があることに気付きました。
我々は、ニューラルネットワークSBIアルゴリズムが正確な結論を導出するために頼らなければならない場合、モデルの誤特定に対処するために新しいアプローチが必要であると結論付けた。
論文 参考訳（メタデータ） (2022-09-05T09:08:16Z) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳（メタデータ） (2022-07-20T07:32:02Z) - Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。
勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
論文 参考訳（メタデータ） (2022-07-12T16:08:04Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - 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) - SBI -- A toolkit for simulation-based inference [0.0]
シミュレーションベースの推論 (SBI) は、a) が先行知識と互換性があり、b) が経験的観察と一致するパラメータ集合を識別しようとする。
ニューラルネットワークに基づくSBIアルゴリズムを実装したPyTorchベースのパッケージであるtextttsbi$を提示する。
論文 参考訳（メタデータ） (2020-07-17T16:53:51Z)
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。