論文の概要: Gradient estimators for parameter inference in discrete stochastic kinetic models

• arxiv url: http://arxiv.org/abs/2604.02121v1
• Date: Thu, 02 Apr 2026 14:56:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.868527
• Title: Gradient estimators for parameter inference in discrete stochastic kinetic models
• Title（参考訳）: 離散確率運動モデルにおけるパラメータ推定のための勾配推定器
• Authors: Ludwig Burger, Annalena Kofler, Lukas Heinrich, Ulrich Gerland,
• Abstract要約: 決定論的運動モデルでは、パラメータ推論は自動微分によって効率的に得られるため、しばしば勾配に依存する。 本研究では,Gillespie SSAに対して,機械学習による勾配推定器を3つ導入する。 GS-ST推定器は, 精度の高い勾配推定値が得られたが, パラメータ分布のばらつきがみられた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stochastic kinetic models are ubiquitous in physics, yet inferring their parameters from experimental data remains challenging. In deterministic models, parameter inference often relies on gradients, as they can be obtained efficiently through automatic differentiation. However, these tools cannot be directly applied to stochastic simulation algorithms (SSA) such as the Gillespie algorithm, since sampling from a discrete set of reactions introduces non-differentiable operations. In this work, we adopt three gradient estimators from machine learning for the Gillespie SSA: the Gumbel-Softmax Straight-Through (GS-ST) estimator, the Score Function estimator, and the Alternative Path estimator. We compare the properties of all estimators in two representative systems exhibiting relaxation or oscillatory dynamics, where the latter requires gradient estimation of time-dependent objective functions. We find that the GS-ST estimator mostly yields well-behaved gradient estimates, but exhibits diverging variance in challenging parameter regimes, resulting in unsuccessful parameter inference. In these cases, the other estimators provide more robust, lower variance gradients. Our results demonstrate that gradient-based parameter inference can be integrated effectively with the Gillespie SSA, with different estimators offering complementary advantages.
• Abstract（参考訳）: 確率論的運動モデルは物理学ではユビキタスであるが、実験データからパラメータを推定することは依然として困難である。 決定論的モデルでは、パラメータ推論は自動微分によって効率的に得られるため、しばしば勾配に依存する。 しかし、これらのツールは、離散的な反応の集合からのサンプリングは微分不可能な操作をもたらすため、Gilespieアルゴリズムのような確率的シミュレーションアルゴリズム(SSA)に直接適用することはできない。 本研究では,Gumbel-Softmax Straight-Through (GS-ST) 推定器,スコア関数推定器,代替パス推定器の3つの勾配推定器を用いた。 緩和あるいは振動ダイナミクスを示す2つの代表系における全ての推定器の特性を比較し、後者は時間依存的対象関数の勾配推定を必要とする。 GS-ST推定器は, 精度の高い勾配推定値が得られたが, パラメータ状態のばらつきがみられ, パラメータ推定に失敗することがわかった。 これらの場合、他の推定器はより頑健でより低い分散勾配を与える。 以上の結果から,Gillespie SSAに勾配に基づくパラメータ推定を効果的に統合できることが示唆された。

関連論文リスト

• Training-free score-based diffusion for parameter-dependent stochastic dynamical systems [2.4755898204110642]
  パラメータ依存SDEのフローマップを学習するための学習自由条件拡散モデルフレームワークを提案する。 共同カーネル重み付きモンテカルロ推定器は、離散パラメータ値でサンプリングされた軌道データを用いて条件スコア関数を近似する。 生成された生成モデルは、トレーニング範囲内の任意のパラメータ値に対するサンプル軌跡を、再学習せずに生成する。
  論文  参考訳（メタデータ） (2026-02-02T13:54:36Z)
• On the Optimal Construction of Unbiased Gradient Estimators for Zeroth-Order Optimization [57.179679246370114]
  既存の手法の潜在的な制限は、ステップサイズが提案されない限り、ほとんどの摂動推定器に固有のバイアスである。 本稿では, 良好な構成を維持しつつ, バイアスを排除した非バイアス勾配スケーリング推定器のファミリーを提案する。
  論文  参考訳（メタデータ） (2025-10-22T18:25:43Z)
• Non-asymptotic Analysis of Biased Adaptive Stochastic Approximation [3.328448170090945]
  適応的なステップを持つグラディエントDescent(SGD)は、ディープニューラルネットワークと生成モデルのトレーニングに広く使用されている。 本稿では,勾配関数に対するバイアスの影響を包括的に分析する。
  論文  参考訳（メタデータ） (2024-02-05T10:17:36Z)
• Model-Based Reparameterization Policy Gradient Methods: Theory and Practical Algorithms [88.74308282658133]
  Reization (RP) Policy Gradient Methods (PGM) は、ロボット工学やコンピュータグラフィックスにおける連続的な制御タスクに広く採用されている。 近年の研究では、長期強化学習問題に適用した場合、モデルベースRP PGMはカオス的かつ非滑らかな最適化環境を経験する可能性があることが示されている。 本稿では,長期モデルアンロールによる爆発的分散問題を緩和するスペクトル正規化法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T18:43:21Z)
• Sampling from Gaussian Process Posteriors using Stochastic Gradient Descent [43.097493761380186]
  勾配アルゴリズムは線形系を解くのに有効な方法である。 最適値に収束しない場合であっても,勾配降下は正確な予測を導出することを示す。 実験的に、勾配降下は十分に大規模または不条件の回帰タスクにおいて最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-06-20T15:07:37Z)
• Stochastic Marginal Likelihood Gradients using Neural Tangent Kernels [78.6096486885658]
  線形化されたラプラス近似に下界を導入する。 これらの境界は漸進的な最適化が可能であり、推定精度と計算複雑性とのトレードオフを可能にする。
  論文  参考訳（メタデータ） (2023-06-06T19:02:57Z)
• Adaptive LASSO estimation for functional hidden dynamic geostatistical model [69.10717733870575]
  関数型隠れ統計モデル(f-HD)のためのペナル化極大推定器(PMLE)に基づく新しいモデル選択アルゴリズムを提案する。 このアルゴリズムは反復最適化に基づいており、適応最小限の収縮・セレクタ演算子(GMSOLAS)ペナルティ関数を用いており、これは不給付のf-HD最大線量推定器によって得られる。
  論文  参考訳（メタデータ） (2022-08-10T19:17:45Z)
• Differentiable Annealed Importance Sampling and the Perils of Gradient Noise [68.44523807580438]
  Annealed importance sample (AIS) と関連するアルゴリズムは、限界推定のための非常に効果的なツールである。 差別性は、目的として限界確率を最適化する可能性を認めるため、望ましい性質である。 我々はメトロポリス・ハスティングスのステップを放棄して微分可能アルゴリズムを提案し、ミニバッチ計算をさらに解き放つ。
  論文  参考訳（メタデータ） (2021-07-21T17:10:14Z)
• Online Statistical Inference for Stochastic Optimization via Kiefer-Wolfowitz Methods [8.890430804063705]
  The distribution for the Polyak-Ruppert-averaging type Kiefer-Wolfowitz (AKW) estimators。 分布結果は、統計効率と関数クエリの複雑さのトレードオフを反映している。
  論文  参考訳（メタデータ） (2021-02-05T19:22:41Z)
• Generalized Gumbel-Softmax Gradient Estimator for Various Discrete Random Variables [16.643346012854156]
  ノードの勾配を評価することは、深層生成モデリングコミュニティにおいて重要な研究課題の1つである。 本稿では,連続緩和を伴うGumbel-Softmax推定器の一般バージョンを提案する。
  論文  参考訳（メタデータ） (2020-03-04T01:13:15Z)

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。