[論文レビュー] Application of Predictive Model Selection to Coupled Models

Gabriel Terejanu, Todd Oliver+1 more|arXiv (Cornell University)|Jul 5, 2011

Gaussian Processes and Bayesian Inference参考文献 7被引用数 5

ひとこと要約

本稿では、観測されない関心の対象量（QoI）を予測するための最適な結合物理モデルを選択するための予測的ベイジアンモデル選択フレームワークを提案する。本手法は、モデル妥当性ではなく予測分布の頑健性に重点を置いている。モデルの識別に必要なデータが存在しない状況においても、モデルの不確実性を組み込むことで、従来のベイジアンモデル選択を上回る性能を示し、真のモデルが仮説集合に含まれない場合でさえも、より信頼性の高いQoI予測が得られることを示している。

ABSTRACT

A predictive Bayesian model selection approach is presented to discriminate coupled models used to predict an unobserved quantity of interest (QoI). The need for accurate predictions arises in a variety of critical applications such as climate, aerospace and defense. A model problem is introduced to study the prediction yielded by the coupling of two physics/sub-components. For each single physics domain, a set of model classes and a set of sensor observations are available. A goal-oriented algorithm using a predictive approach to Bayesian model selection is then used to select the combination of single physics models that best predict the QoI. It is shown that the best coupled model for prediction is the one that provides the most robust predictive distribution for the QoI.

研究の動機と目的

• 複雑なマルチフィジックス系において、観測されない関心の対象量（QoI）を予測するための最良の結合モデルを選択する課題に対処すること。
• データが不十分な場合にモデルの不確実性を無視するため、従来のベイジアンモデル選択の限界を克服し、識別不能なモデルを選択してしまう問題を回避すること。
• QoIの予測確率密度関数（pdf）として最も頑健なものを優先する、QoIに配慮したモデル選択基準を開発すること。
• 識別に必要な観測が得られない状況において、予測的モデル選択が標準的ベイジアンモデル選択を上回ることを実証すること。
• 気候モデル、航空宇宙、核兵器備蓄管理など、信頼性の高いQoI予測が不可欠な高リスク応用分野における意思決定フレームワークを提供すること。

提案手法

• 本手法は、QoIにおける予測性能に基づいて各結合モデルクラスの証拠を計算する、目的志向のベイジアンフレームワークを採用する。
• モデル妥当性に依存するのではなく、QoIに配慮した証拠（予測分布から導出）を用いて結合モデルをランク付けする。
• 計算の効率化のため、k近傍法推定器を用いて近似された情報理論的指標（Kullback-Leibler情報量）を活用する。
• 予測密度の推定と事後分布からのサンプリングに、マルコフ連鎖モンテカルロ（MCMC）手法を用いる。
• 真のQoIが観測されない状況でも、候補モデルの予測pdfと真のQoIを比較することで、モデルのキャリブレーションと検証を統合する。
• 最適な実験設計によるモデル識別において、予測的モデル選択と従来のベイジアンモデル選択が同等であることを確立する。

実験結果

リサーチクエスチョン

• RQ1 QoIが直接観測不能でデータも限られている状況において、最良の結合モデルをどのようにしてQoIの予測に選択できるか？
• RQ2 モデルの不確実性は予測的モデル選択において果たす役割は何か？ そして、QoI予測の頑健性にどのように影響を与えるか？
• RQ3 どのような状況下で、予測的モデル選択は予測精度と信頼性の面で従来のベイジアンモデル選択を上回るか？
• RQ4 真のモデルが仮説集合に含まれない場合でも、予測的モデル選択は頑健なモデルを特定できるか？
• RQ5 QoIに配慮した証拠を組み込むことで、複雑なマルチフィジックス系における意思決定はどのように改善されるか？

主な発見

• ケース1では、真のモデルが仮説集合に含まれるが、予測的モデル選択と従来のベイジアンモデル選択の両方が真のモデル（OQS-OLD）を正しく特定する。しかし、予測的アプローチはより頑健な予測pdfを生成する。
• ケース2では、強制項モデルがデータによって十分に識別できないが、従来のベイジアンモデル選択はOQS-OLDを選択するが、その予測pdfは真のQoIをカバーしない。一方、予測的選択はOQS-SEDを選択し、そのpdfは真の値を裾野に含む。
• ケース3では、オシレーターおよび強制項モデルの両方とも真のモデルを含まないが、両モデル選択手法はOCS-OLDに収束する。しかし、すべてのモデル（平均を含む）が真のQoIに対して低い尤度を割り当てるため、仮説が不十分な場合のモデル選択の限界が顕在化する。
• 予測的モデル選択アプローチは、データ識別が不十分でモデル妥当性が誤解を招く状況でも、常にQoIの予測分布として最も頑健なものを生成する。
• 本研究は、モデルの不確実性を選択プロセスに組み込む必要がある状況では、予測的モデル選択が優れていることを確認している。特に、識別に必要な観測が欠如している状況で顕著である。
• 結果から、追加のデータ収集が可能である場合には、予測的モデル選択が計算的に優れており、モデル識別のための最適な実験設計を導くことができる。