[논문 리뷰] A Bayesian approach to parameter identification with an application to Turing systems

Eduard Campillo-Funollet, Chandrasekhar Venkataraman외 1명|arXiv (Cornell University)|2016. 05. 16.

Gene Regulatory Network Analysis참고 문헌 34인용 수 5

한 줄 요약

이 논문은 편미분방정식(PDE) 모델에서 매개변수 식별을 위한 베이지안 프레임워크를 제시한다. 특히 터링 반응-확산 시스템에 적용된다. 병렬화된 알고리즘을 사용한 마르코프 체인 몬테카를로 샘플링을 통해 매개변수의 전체 사후분포를 계산함으로써, 노이즈가 있거나 희소한 데이터 상황에서도 불확실성 정량화, 신뢰 영역 추정, 잘 정의된 추론이 가능해지며, 기존 최적 제어 방법에 비해 엄밀한 대안을 제공한다.

ABSTRACT

We present a Bayesian methodology for infinite as well as finite dimensional parameter identification for partial differential equation models. The Bayesian framework provides a rigorous mathematical framework for incorporating prior knowledge on uncertainty in the observations and the parameters themselves, resulting in an approximation of the full probability distribution for the parameters, given the data. Although the numerical approximation of the full probability distribution is computationally expensive, parallelised algorithms can make many practically relevant problems computationally feasible. The probability distribution not only provides estimates for the values of the parameters, but also provides information about the inferability of parameters and the sensitivity of the model. This information is crucial when a mathematical model is used to study the outcome of real-world experiments. Keeping in mind the applicability of our approach to tackle real-world practical problems with data from experiments, in this initial proof of concept work, we apply this theoretical and computational framework to parameter identification for a well studied semilinear reaction-diffusion system with activator-depleted reaction kinetics, posed on evolving and stationary domains.

연구 동기 및 목표

• 무한차원 및 유한차원 매개변수를 포함한 PDE 모델에서 매개변수 식별을 위한 수학적으로 엄밀한 베이지안 프레임워크 개발
• 사전 지식과 측정 불확실성을 추론 과정에 자연스럽게 통합하는 것
• 터링 패턴 데이터를 가진 반응-확산 시스템에서 제안된 방법의 타당성과 유용성 입증
• 약한 가정 하에 베이지안 역문제의 잘 정의됨을 보장하는 결과 제공
• 전체 사후분포 샘플링을 통한 불확실성 정량화, 매개변수 상관관계 분석, 신뢰 영역 추정 가능화

제안 방법

• 데이터가 주어졌을 때 사후분포를 계산하기 위해 베이즈 정리에 기반한 베이지안 역문제로 매개변수 식별 문제를 수립
• 매개변수를 바나흐 공간 내의 랜덤 변수로 모델링하여 기능적 매개변수와 사전분포를 허용
• 고성능 컴퓨팅(HPC) 시스템에서 고차원 사후분포를 효율적으로 샘플링하기 위해 병렬화된 메트로폴리스-하스팅스 알고리즘 사용
• 해결 범위 대비 10% 노이즈를 가진 가우시안 노이즈 모델을 사용해 가능도 정의
• 활성제 감소 반응-확산 시스템에서 유한차원 및 무한차원 매개변수 식별에 이 프레임워크 적용
• 정적 및 변화하는 도메인에서의 터링 패턴으로부터 생성된 시뮬레이션 데이터를 사용해 방법 검증

실험 결과

연구 질문

• RQ1 실험 데이터를 가진 PDE 모델에서 베이지안 프레임워크가 잘 정의되고 엄밀한 매개변수 식별 방법을 제공할 수 있는가?
• RQ2 복잡한 비선형 시스템의 매개변수 추론 과정에 사전 지식과 측정 불확실성을 체계적으로 통합할 수 있는가?
• RQ3 병렬 MCMC 방법을 사용해 PDE 기반 모델의 전체 사후분포를 샘플링하는 데 있어 계산 가능성은 어떠한가?
• RQ4 사후분포에서 유도된 신뢰 영역은 점추정치에 비해 정확성과 불확실성 정량화 측면에서 어떻게 비교되는가?
• RQ5 사후분포가 반응-확산 시스템에서 매개변수 상관관계와 추정 가능성에 대해 얼마나 깊이 있는 통찰을 제공할 수 있는가?

주요 결과

• 약한 가정 하에 베이지안 매개변수 식별 문제는 잘 정의되어 있으며, 수학적 안정성과 일관성을 보장한다.
• 사후분포는 매개변수 추정치 외에도 더 좁고 더 정보가 풍부한 신뢰 영역을 제공한다.
• 병렬화된 메트로폴리스-하스팅스 샘플링 덕분에 고성능 컴퓨팅 플랫폼에서 전체 사후분포 계산이 가능해졌다.
• 10% 노이즈가 있는 시뮬레이션된 터링 패턴 데이터를 대상으로 테스트한 결과, 진짜 매개변수 값들이 신뢰 영역 내에서 성공적으로 복원되었다.
• 이 프레임워크는 측정 노이즈와 사전 지식을 자연스럽게 통합하여, 최적 제어 방법보다 더 실험적으로 일관된 매개변수 추정치를 도출한다.
• 사후분포를 통해 매개변수 상관관계와 추정 가능성에 대한 통찰을 제공함으로써, 모델 선택과 불확실성 정량화가 가능해졌다.