[論文レビュー] Learning interaction kernels in mean-field equations of 1st-order systems of interacting particles

Quanjun Lang, Fei Lu|arXiv (Cornell University)|Oct 29, 2020

Mathematical Biology Tumor Growth参考文献 25被引用数 7

ひとこと要約

本稿では、離散的な時空観測から1次相互作用粒子系の平均場方程式における相互作用カーネルを学習する非パrametric的でスケーラブルなアルゴリズムを提案する。データに適応する仮説空間における正則化を施した最小二乗法と、確率論的に導出された誤差関数を用いることで、数値積分器の次数と一致する最適な収束速度を達成し、意見形成、粗粒度媒体、凝集拡散モデルの各分野で検証された。

ABSTRACT

We introduce a nonparametric algorithm to learn interaction kernels of mean-field equations for 1st-order systems of interacting particles. The data consist of discrete space-time observations of the solution. By least squares with regularization, the algorithm learns the kernel on data-adaptive hypothesis spaces efficiently. A key ingredient is a probabilistic error functional derived from the likelihood of the mean-field equation's diffusion process. The estimator converges, in a reproducing kernel Hilbert space and an L2 space under an identifiability condition, at a rate optimal in the sense that it equals the numerical integrator's order. We demonstrate our algorithm on three typical examples: the opinion dynamics with a piecewise linear kernel, the granular media model with a quadratic kernel, and the aggregation-diffusion with a repulsive-attractive kernel.

研究の動機と目的

• マクロな解のデータ（密度）しか入手できない状況において、平均場方程式における相互作用カーネルを推定する逆問題に対処すること。
• カーネルの形に対するパラメトリックな仮定を避ける、スケーラブルで非パラメトリックな学習アルゴリズムの開発。
• 最小限の正則性および同定可能性条件のもとで、理論的収束性と性能保証を確保すること。
• Fokker-Planck方程式の拡散過程から導出された確率的誤差関数を用いて、微分を必要としないロバストな推定を可能とすること。

提案手法

• 本手法は、データに適応する仮説空間上でTikhonov型正則化を施した最小二乗推定器を用い、相互作用カーネルを学習する。
• 主な革新点は、平均場方程式の拡散過程の尤度から導出された確率的誤差関数の使用であり、これは2次形式であり、空間微分を必要としない。
• アルゴリズムは、離散的な時空観測から誤差関数を計算するためにリーマン和近似を用い、計算を効率化する。
• 仮説空間は、データに適応する基底関数を用いて構築され、推論誤差と近似誤差のトレードオフに基づき最適な次元が選択される。
• 収束性は、再生核ヒルベルト空間および重み付きL²空間の両方で分析され、数値積分器の次数と一致する収束速度が得られる。
• 本手法はアルゴリズム1により実装され、正則化付き正規方程式を解くことでカーネル推定器が計算される。

実験結果

リサーチクエスチョン

• RQ1 スパarsな離散的時空観測から、解密度の観測のみを用いて、非パラメトリックな学習アルゴリズムが平均場方程式における相互作用カーネルを推定できるか？
• RQ2 カーネル推定器の最適収束速度は何か？ また、誤差関数を計算するために用いられる数値積分器の次数と一致するか？
• RQ3 Fokker-Planck方程式からどのように確率的誤差関数を導出できるか？ これにより、微分を必要としないロバストな推定が可能になるか？
• RQ4 有限な仮説空間による近似誤差と、離散化による推論誤差の間にはどのようなトレードオフがあるか？
• RQ5 本手法は、区分的線形、2次、または反発的・吸引的カーネルを有するような、異なる物理的・社会的系に適用可能か？

主な発見

• 同定可能性および正則性条件のもとで、推定器は再生核ヒルベルト空間および重み付きL²空間の両方で、リーマン和積分器の次数と一致する収束速度 O(Δx + Δt) を達成する。
• 最適な仮説空間次元に対して、総誤差は O((Δx)^{αs/(s+1)}) で有界であり、ここで α は積分器の次数、s ≥ 1 は近似誤差の減衰を制御する。
• 本手法は、積分器の次数を増加させない限り、収束速度を改善できないという意味で最適である。
• 数値実験により、3つのベンチマークモデル（区分的線形カーネルを有する意見形成モデル、2次カーネルを有する粗粒度媒体モデル、反発的・吸引的カーネルを有する凝集拡散モデル）において、本手法の有効性が確認された。
• アルゴリズムはノイズやスパースなデータに対してもロバストであり、粒子軌道の情報は不要で、マクロな密度観測のみで十分である。
• 数値積分誤差に関する理論的バウンドが導出され、メッシュサイズに線形に比例することが示され、収束解析を支持する。