[論文レビュー] Being Bayesian in the 2020s: opportunities and challenges in the practice of modern applied Bayesian statistics

Joshua J. Bon, Adam Bretherton+13 more|arXiv (Cornell University)|Nov 18, 2022

Bayesian Modeling and Causal Inference被引用数 4

ひとこと要約

この論文は、知的データ収集、新しいデータソース、フェデレーテッド分析、暗黙的モデル、モデルの転送、意図的なソフトウェア製品を含む、現代の応用ベイジアン統計における6つの主要な機会と課題を概説している。ベイジアン手法が、サンゴ礁モニタリング、ワクチンリスク評価、がん発生率マッピングといった実世界の応用において、高度な計算技術と分野特化型の事例研究を通じて意思決定をどのように向上させるかを示している。

ABSTRACT

Building on a strong foundation of philosophy, theory, methods and computation over the past three decades, Bayesian approaches are now an integral part of the toolkit for most statisticians and data scientists. Whether they are dedicated Bayesians or opportunistic users, applied professionals can now reap many of the benefits afforded by the Bayesian paradigm. In this paper, we touch on six modern opportunities and challenges in applied Bayesian statistics: intelligent data collection, new data sources, federated analysis, inference for implicit models, model transfer and purposeful software products.

研究の動機と目的

• 2020年代における応用ベイジアン統計における新たな機会と課題を特定し、それらに対処すること。
• 生態系や公衆衛生のような複雑なシステムにおいて、ベイジアン手法がデータ収集の効率性と意思決定をどのように向上させるかを示すこと。
• 仮想現実（VR）や市民科学など新しいデータタイプと、フェデレーテッドラーニングのようなプライバシー保護技術と統合されたベイジアンモデリングの統合を強調すること。
• 尤度が計算不能なモデルに対して、尤度フリー推論（例：SMC-ABC）を用いた応用と、異なる分野間でのモデルの転送を検討すること。
• 公衆衛生および環境科学分野における証拠に基づく意思決定を支援する目的別に設計されたベイジアンソフトウェア製品を紹介すること。

提案手法

• サンプリングウインドウを用いたベイジアン最適実験設計を活用し、生態モニタリングにおけるコスト効率の高いデータ収集を改善する。
• Lerouxの事前分布を用いたベイジアン階層モデルを用いて空間スムージングを実施し、信頼性の高い小地域レベルのがん発生率および生存率推定を実現する。
• 尤度が計算不能な複雑なエージェントベースモデルのキャリブレーションに、順次モンテカルロに基づく近似ベイズ推論（SMC-ABC）を適用する。
• データプライバシーを保全しながら、分散型データソース間で空間的に依存する潜在変数モデリングを可能にするフェデレーテッドラーニングフレームワークを開発する。
• CoRiCAL、ReefCloud、オーストラリアのがんアトラスなどのインタラクティブなソフトウェアプラットフォームに、ベイジアンネットワークと階層モデルを統合する。
• 計算技術の進展を活用して、リモートセンシングや市民科学など多様なソースからの大規模かつ複雑なデータセットにおけるベイジアン推論をスケーリングする。

実験結果

リサーチクエスチョン

• RQ1 サンプリングウインドウを用いたベイジアン最適実験設計は、大規模な生態モニタリングにおけるデータ収集の効率性をどのように向上させるか？
• RQ2 ベイジアンモデルは、仮想現実を用いたデータ収集や市民科学といった新しいデータソースの信頼性と統合をどのように向上させるか？
• RQ3 空間的に依存する潜在変数を有するフェデレーテッドラーニングは、複数の機関が保有する分散型データのプライバシーを守りつつ、どのように分析を可能にするか？
• RQ4 医療および生態系分野の複雑な暗黙的モデルのキャリブレーションに、尤度フリー推論（例：SMC-ABC）を用いる際の実用的課題と利点は何か？
• RQ5 地理的領域が異なる状況間で、ベイジアンモデルを効果的に転送することで、スケーラブルかつ一般化可能な推論をどのように実現できるか？

主な発見

• サンプリングウインドウを用いたベイジアン最適実験設計により、3,000のサンゴ礁を対象としたサンゴ礁モニタリングにおいて、データ収集コストを削減しながらも高い推論精度を維持した。
• ベイジアン階層モデルを基盤とするReefCloudプラットフォームにより、2004年以降の世界規模のサンゴ被覆傾向のリアルタイム可視化が可能になり、気候変動の影響評価を支援した。
• Lerouxの事前分布を用いたベイジアン空間モデルを活用したオーストラリアのがんアトラスは、2,148の小地域において高分解能かつ信頼性の高い発生率および生存率推定を提供し、地域間の不平等を明らかにした。
• ベイジアンネットワークを基盤に構築されたCoRiCALワクチンリスク・ベネフィット計算機は、COVID-19パンデミック期に、複雑なリスクと利益のデータを統合して個別化された意思決定を可能にした。
• 空間的に依存する潜在変数を有するフェデレーテッドラーニングにより、生データを共有せずに複数のデータ管理機関間で共同モデリングが実現され、プライバシーが保証された。
• SMC-ABCによる尤度フリー推論により、尤度が計算不能な腫瘍成長のエージェントベースモデルのキャリブレーションが効果的に実施され、尤度が計算不能なシステムへの応用の有効性が示された。