ABSTRACT

Almost all fields of science rely upon statistical inference to estimate unknown parameters in theoretical and computational models. While the performance of modern computer hardware continues to grow, the computational requirements for the simulation of models are growing even faster. This is largely due to the increase in model complexity, often including stochastic dynamics, that is necessary to describe and characterize phenomena observed using modern, high resolution, experimental techniques. Such models are rarely analytically tractable, meaning that extremely large numbers of stochastic simulations are required for parameter inference. In such cases, parameter inference can be practically impossible. In this work, we present new computational Bayesian techniques that accelerate inference for expensive stochastic models by using computationally inexpensive approximations to inform feasible regions in parameter space, and through learning transforms that adjust the biased approximate inferences to closer represent the correct inferences under the expensive stochastic model. Using topical examples from ecology and cell biology, we demonstrate a speed improvement of an order of magnitude without any loss in accuracy. This represents a substantial improvement over current state-of-the-art methods for Bayesian computations when appropriate model approximations are available. Supplementary files for this article are available online.

摘要

几乎所有科学领域都依赖统计推断来估计理论和计算模型中的未知参数。随着现代计算机硬件的性能不断提高，模型模拟的计算需求增长得更快。这主要是由于模型复杂性的增加，通常包括随机动力学，这是描述和表征使用现代高分辨率实验技术观察到的现象所必需的。这样的模型很少在分析上易于处理，这意味着参数推断需要大量的随机模拟。在这种情况下，参数推断实际上是不可能的。在这项工作中，我们提出了新的计算贝叶斯技术，通过使用计算成本低的近似来通知参数空间中的可行区域，并通过学习变换来调整有偏差的近似推理以更接近地表示昂贵随机模型下的正确推理，从而加速昂贵随机模型的推理。使用来自生态学和细胞生物学的主题示例，我们证明了速度提高了一个数量级，而准确性没有任何损失。当适当的模型近似可用时，这代表了对当前用于贝叶斯计算的最先进方法的实质性改进。本文的补充文件可在线获取。并通过学习变换来调整有偏差的近似推理，以更接近地表示昂贵的随机模型下的正确推理。使用来自生态学和细胞生物学的主题示例，我们证明了速度提高了一个数量级，而准确性没有任何损失。当适当的模型近似可用时，这代表了对当前用于贝叶斯计算的最先进方法的实质性改进。本文的补充文件可在线获取。并通过学习变换来调整有偏差的近似推理，以更接近地表示昂贵的随机模型下的正确推理。使用来自生态学和细胞生物学的主题示例，我们证明了速度提高了一个数量级，而准确性没有任何损失。当适当的模型近似可用时，这代表了对当前用于贝叶斯计算的最先进方法的实质性改进。本文的补充文件可在线获取。当适当的模型近似可用时，这代表了对当前用于贝叶斯计算的最先进方法的实质性改进。本文的补充文件可在线获取。当适当的模型近似可用时，这代表了对当前用于贝叶斯计算的最先进方法的实质性改进。本文的补充文件可在线获取。