[論文レビュー] Probabilistic Models for Integration Error in the Assessment of Functional Cardiac Models

Chris J. Oates, Steven Niederer+3 more|Research Portal (King's College London)|Jun 22, 2016

Probabilistic and Robust Engineering Design参考文献 53被引用数 3

ひとこと要約

本稿では、未知関数と扱いにくい入力分布を同時にモデル化することで、機能的心臓モデル評価における統合誤差を定量化する確率的数値手法、ディリクレ過程混合ベイesian四角法（DPMBQ）を提案する。数値的統合を統計的推論問題として扱うことで、DPMBQは積分の事後分布を提供し、サンプル数の制限と未知の入力分布の両方による二重の誤差要因を明示的に考慮する。これにより、計算コストが高価な状況下でもより公平なモデル評価が可能になる。

ABSTRACT

This paper studies the numerical computation of integrals, representing estimates or predictions, over the output $f(x)$ of a computational model with respect to a distribution $p(\mathrm{d}x)$ over uncertain inputs $x$ to the model. For the functional cardiac models that motivate this work, neither $f$ nor $p$ possess a closed-form expression and evaluation of either requires $\approx$ 100 CPU hours, precluding standard numerical integration methods. Our proposal is to treat integration as an estimation problem, with a joint model for both the a priori unknown function $f$ and the a priori unknown distribution $p$. The result is a posterior distribution over the integral that explicitly accounts for dual sources of numerical approximation error due to a severely limited computational budget. This construction is applied to account, in a statistically principled manner, for the impact of numerical errors that (at present) are confounding factors in functional cardiac model assessment.

研究の動機と目的

• 関数的心臓モデルを評価する際、モデル出力と入力分布の両方が扱いにくく、評価に高コストがかかるという課題に対処すること。
• 標準的なベイesian四角法が入力分布を既知と仮定しているという制限を克服し、入力分布がモンテカルロ標本から推定される状況に拡張すること。
• シミュレーションベースのモデル評価において、内在的なモデル性能と数値的近似誤差を分離する統計的に整合性のあるフレームワークを構築すること。
• サンプル数の制限と未知の入力分布に起因する不確実性を定量化する積分の事後分布を提供し、堅牢な推論とモデル比較を可能にすること。

提案手法

• 関数 $f(x)$ をガウス過程事前分布でモデル化し、関数評価値の上での非パラメトリック回帰を可能にする。
• モンテカルロ標本から得たデータを用いて、ディリクレ過程混合事前分布を用いて扱いにくい入力分布 $p(\mathrm{d}x)$ を推定し、柔軟で非パラメトリックな密度推定を可能にする。
• 関数 $f$ におけるGP事前分布と、$p(\mathrm{d}x)$ のDPベース推定を組み合わせ、積分 $p(f) = \int f(x)p(\mathrm{d}x)$ の閉形式事後分布を導出する。
• 連合モデルを用いて、積分の事後予測分布を計算し、$f$ におけるエピステーメ的不確実性と $p(\mathrm{d}x)$ における不確実性の両方を自然に組み込む。
• 計算コスト $O(n^3)$（$n$ は標本数）を有する、ディリクレ過程混合ベイesian四角法（DPMBQ）としてこの手法を実装する。
• 積分の事後分布を活用して、モデル評価に不確実性を伝搬させ、数値的誤差とモデルの不適切さを区別する。

実験結果

リサーチクエスチョン

• RQ1 関数と入力分布の両方が未知で、評価に高コストがかかる状況下で、数値的統合誤差をどのように定量化できるか？
• RQ2 関数と入力分布のための連合確率的モデルが、シミュレーションベースのモデル評価における積分推定の信頼性を向上させられるか？
• RQ3 DPMBQは、機能的心臓モデルを評価する際、数値的誤差の混同効果をどの程度低減できるか？
• RQ4 $n$ が小さく、$f$ がブラックボックスである状況下で、積分の事後分布は標準的推定法（例：標本平均）と比べてどのように異なるか？
• RQ5 限られた計算予算下で、提案手法の理論的・実験的整合性はどのように保証されるか？

主な発見

• DPMBQは、サンプル数の制限と未知の入力分布に起因する不確実性の両方を明示的に定量化する積分の事後分布を提供する。
• 5次元のグッドウィンオシレーター・モデルを用いた実験で、標本数 $n$ が増加するにつれて Wasserstein 距離が減少し、一貫性のある推定が達成された。
• 心臓モデル実験では、$m \approx 10^3$ 個の重み付き標本を用いてベンチマーク値を計算したが、これには約 $10^5$ CPU時間が必要であり、ブルートフォース法の計算不可能性を示した。
• 高精度なODE解法により数値的誤差をゼロに近づけた状況で、DPMBQの事後分布が真の積分と整合的であることが示された。
• 数値的誤差とモデル性能を分離することで、高コストなシミュレーション環境下でより公平なモデル評価が可能になる。
• 本手法は、標準的なBQが $p(\mathrm{d}x)$ を既知と仮定しているという制限を克服し、扱いにくい入力分布へのベイesian四角法の拡張を実現した。