[論文レビュー] New frontiers in Bayesian modeling using the INLA package in R

Janet van Niekerk, Haakon Bakka+2 more|arXiv (Cornell University)|Jul 24, 2019

Gaussian Processes and Bayesian Inference参考文献 39被引用数 14

ひとこと要約

この論文は、R用のINLAパッケージにおける新たな進展を提示しており、スパース行列アルゴリズムとSPDEアプローチを活用することで、潜在ガウスモデルにおける高速かつ高精度なベイズ推論を実現しています。これにより、連関縦断的生存モデル、非分離型時空間モデル、PARDISOライブラリを用いたハイパフォーマンスコンピューティングといった複雑なモデルの計算時間が著しく短縮され、高い正確性を維持しています。

ABSTRACT

The INLA package provides a tool for computationally efficient Bayesian modeling and inference for various widely used models, more formally the class of latent Gaussian models. It is a non-sampling based framework which provides approximate results for Bayesian inference, using sparse matrices. The swift uptake of this framework for Bayesian modeling is rooted in the computational efficiency of the approach and catalyzed by the demand presented by the big data era. In this paper, we present new developments within the INLA package with the aim to provide a computationally efficient mechanism for the Bayesian inference of relevant challenging situations.

研究の動機と目的

• 共有ランダム効果を伴う複雑な生存モデル、特に縦断的生存モデル、競合リスクモデル、マルチステートモデルをサポートするようにINLAパッケージを拡張すること。
• 物理的拡散過程に基づく特定のSPDEを定義することで、非分離型時空間依存をモデル化する、新しいクラスの非分離型時空間モデルを構築すること。
• PARDISOライブラリを用いて、スパース行列の因子分解と部分逆行列計算を並列化することで、INLAにハイパフォーマンスコンピューティング機能を統合すること。
• マルチコアアーキテクチャ向けにスパース行列演算を最適化することで、大規模ベイズ推論における計算ボトル neck を解消すること。
• ビッグデータ時代における多様な科学分野で、INLAが最先端でスケーラブルなベイズモデリングツールとしての地位を維持できることを保証すること。

提案手法

• INLA手法は、計算コストの高いMCMCサンプリングを避けるために、潜在ガウスモデルの同時事後分布をラプラス近似によって近似する。
• SPDEアプローチは、スパース行列の因子分解と部分逆行列計算を並列化することで、INLAにハイパフォーマンスコンピューティング機能を統合する。
• 非分離型時空間モデルは、物理的拡散過程に基づく特定のSPDEを定義し、有限要素法を用いて解くことで構築される。
• パッケージはPARDISOライブラリを統合し、並列処理によるスパース行列の因子分解と部分逆行列計算を実現し、マルチコアシステムでの性能を向上させている。
• 共通のランダム効果を介して縦断的アウトカムと生存アウトカムの尤度を組み合わせることで、複数の終点に対する同時推論が可能になる。
• ハイパーパrameterには事前分布を割り当て、解析的手法とスパース精度行列を用いて事後周辺分布を効率的に計算する。

実験結果

リサーチクエスチョン

• RQ1 共有ランダム効果を伴う縦断的生存アウトカムの共同モデリングを、INLAパッケージがどのように拡張できるか。
• RQ2 計算的に効率的なベイズフレームワークを用いて、非分離型時空間依存を最も効果的にモデル化する方法は何か。
• RQ3 PARDISOライブラリの統合が、大規模モデルにおけるINLAのスパース行列演算のパフォーマンスを顕著に向上させられるか。
• RQ4 新しいINLA実装の計算効率は、データサイズとコア数の増加に伴ってどのようにスケーリングするか。
• RQ5 従来の共分散ベースのアプローチと比較して、SPDEに基づく非分離型時空間モデルの実用的意義は何か。

主な発見

• INLAにおける縦断的生存モデルの実装により、共有ランダム効果を伴う複数の終点に対する効率的で高精度な推論が可能となり、臨床研究における因果推論を支援する。
• SPDEに基づく非分離型時空間モデルは、従来の共分散ベースの手法と比較して、計算的に効率的かつ物理的に解釈可能な代替手法を提供する。
• PARDISOとの統合により、コレスキー因子分解と部分逆行列計算の計算時間が著しく短縮され、マルチコアシステムでは顕著な高速化が観察された。
• テストされた3次元ラプラシアン行列では、16コアを超えると並列化による性能向上が頭打ちになることが示され、スケーリングに伴う利得の減少が確認された。
• 新しいINLA拡張機能は、計算時間を著しく短縮しながらも高い正確性を維持しており、大規模データ向けの複雑なベイズモデルの実用化を可能にした。