[論文レビュー] Flexible Model Selection for Mechanistic Network Models via Super Learner

Sixing Chen, Antonietta Mira+1 more|arXiv (Cornell University)|Apr 1, 2018

Markov Chains and Monte Carlo Methods参考文献 44被引用数 2

ひとこと要約

本稿では、尤度が計算不能な状況下でも、正確なモデル同士の区別が可能な柔軟なモデル選択フレームワークを、Super Learnerアンサンブル手法と近似ベイズ計算（ABC）を組み合わせることで提案する。この手法は前向きシミュレーションを活用し、モデル選択における不確実性を定量化する。シミュレーションにおいて優れた性能を示した。

ABSTRACT

Application of network models can be found in many domains due to the variety of data that can be represented as a network. Two prominent paradigms for modeling networks are statistical models (probabilistic models for the final observed network) and mechanistic models (models for network growth and evolution over time). Mechanistic models are easier to incorporate domain knowledge with, to study effects of interventions and to forward simulate, but typically have intractable likelihoods. As such, and in a stark contrast to statistical models, there is a dearth of work on model selection for such models, despite the otherwise large body of extant work. In this paper, we propose a procedure for mechanistic network model selection that makes use of the Super Learner framework and borrows aspects from Approximate Bayesian Computation, along with a means to quantify the uncertainty in the selected model. Our approach takes advantage of the ease to forward simulate from these models, while circumventing their intractable likelihoods at the same time. The overall process is very flexible and widely applicable. Our simulation results demonstrate the approach's ability to accurately discriminate between competing mechanistic models.

研究の動機と目的

• 広く用いられているが統計的検証ツールに欠けるメカニズム的ネットワークモデルに対する体系的なモデル選択手法の不足に対処すること。
• 標準的な尤度に基づくモデル比較を不可能にする、メカニズム的モデルにおける尤度の計算不能性という課題を克服すること。
• ドメイン知識を統合できる柔軟な、シミュレーションに基づくフレームワークを構築し、モデル選択における不確実性の定量化を可能にすること。
• データ駆動型のアンサンブル学習アプローチを用いて、競合するメカニズム的モデル間の信頼できる選択を可能にすること。
• ネットワーク成長プロセスに注目する多様な分野に一般に適用可能なソリューションを提供すること。

提案手法

• 複数の候補となるメカニズム的ネットワークモデルを統合するアンサンブル予測子として、Super Learnerフレームワークを適応すること。
• 各モデルからシミュレートされたネットワークと観測されたネットワークを要約統計量を用いて比較することで、近似ベイズ計算（ABC）を用いること。
• 各候補モデルの下で合成ネットワークを生成する前向きシミュレーションを用い、明示的な尤度計算を回避すること。
• ABCで重み付けされた予測結果をもとにメタラーナーを学習させ、モデルの最適な組み合わせを選択することで、選択の正確性を向上させること。
• ABCの繰り返しにおけるSuper Learnerの重みの変動を推定することで、モデル選択における不確実性を定量化すること。
• シミュレートされたネットワークと観測されたネットワークの間の類似性を保証するため、情報豊富な要約統計量のセットを用いること。

実験結果

リサーチクエスチョン

• RQ1 尤度が計算不能な状況下でも、Super Learnerベースのアンサンブル手法が、最適なフィットを示すメカニズム的ネットワークモデルを効果的に選択できるか？
• RQ2 本手法は、シミュレーション研究において、競合するメカニズム的モデルをどの程度正確に区別できるか？
• RQ3 本フレームワークを用いて、モデル選択における不確実性をどの程度定量化し、報告できるか？
• RQ4 本手法は、多様なネットワークトポロジーや成長メカニズムに対して、どの程度良好に機能するか？
• RQ5 本手法は、モデル固有の修正を要せず、多様な分野に柔軟に適用可能か？

主な発見

• 提案手法は、尤度が計算不能な状況下でも、シミュレーション研究において競合するメカニズム的ネットワークモデルを高い正確性で区別できた。
• Super LearnerとABCの統合により、尤度が計算不能な状況下でも、頑健なモデル選択が可能になった。
• 選択されたモデルにおける不確実性は定量化可能であり、モデル選択の意思決定に対する信頼性を提供した。
• 本フレームワークは柔軟で、さまざまなネットワークタイプや分野固有の成長メカニズムに広く適用可能であった。
• 複数の候補モデルをアンサンブル学習で統合することで、個々のモデル選択戦略を上回る性能を示した。
• 前向きシミュレーションがモデル比較に十分であり、解析的尤度の計算を回避できた。