[논문 리뷰] Being Bayesian in the 2020s: opportunities and challenges in the practice of modern applied Bayesian statistics

Joshua J. Bon, Adam Bretherton외 13명|arXiv (Cornell University)|2022. 11. 18.

Bayesian Modeling and Causal Inference인용 수 4

한 줄 요약

이 논문은 현대 응용 베이지안 통계 분야의 여섯 가지 핵심 기회와 과제를 개론한다. 이는 지능형 데이터 수집, 새로운 데이터 소스, 피어드레이티드 분석, 암시적 모델, 모델 이행, 의도적인 소프트웨어 제품을 포함한다. 이는 고도로 발전한 계산 기법과 분야 전문 사례 연구를 통해 베이지안 방법이 산호초 모니터링, 백신 위험 평가, 암 유병률 지ap 등 실제 응용 분야에서 의사결정을 어떻게 향상시키는지 보여준다.

ABSTRACT

Building on a strong foundation of philosophy, theory, methods and computation over the past three decades, Bayesian approaches are now an integral part of the toolkit for most statisticians and data scientists. Whether they are dedicated Bayesians or opportunistic users, applied professionals can now reap many of the benefits afforded by the Bayesian paradigm. In this paper, we touch on six modern opportunities and challenges in applied Bayesian statistics: intelligent data collection, new data sources, federated analysis, inference for implicit models, model transfer and purposeful software products.

연구 동기 및 목표

• 2020년대에 등장하는 응용 베이지안 통계 분야의 신규 기회와 과제를 식별하고 해결하기.
• 복잡한 시스템(예: 생태계 및 공중보건)에서 베이지안 방법이 데이터 수집 효율성과 의사결정을 어떻게 향상시키는지 보여주기.
• 베이지안 모델링을 가상현실, 시민 과학 등 새로운 데이터 유형과 결합하고, 피어드레이티드 학습과 같은 개인정보 보호 기법을 통합하는 것의 중요성 강조하기.
• 불가항력적인 모델에 대해 가능도 없는 추론(예: SMC-ABC)과 도메인 간 모델 이행의 적용 탐색하기.
• 공중보건 및 환경 과학 분야에서 증거 기반 의사결정을 지원하는 목적에 맞춘 베이지안 소프트웨어 제품의 사례를 전시하기.

제안 방법

• 생태 모니터링에서 비용 효율적인 데이터 수집을 향상시키기 위해 샘플링 윈도우를 활용한 베이지안 최적 실험 설계를 적용한다.
• 소규모 지역의 암 유병률 및 생존율 추정을 신뢰성 있게 생성하기 위해 레루오우 사전분포를 사용한 베이지안 계층적 모델을 활용한다.
• 가능도가 불가항력한 복잡한 에이전트 기반 모델을 校정하기 위해 순차 몬테카를로 기반의 근사 베이지안 계산(SMC-ABC)을 적용한다.
• 원시 데이터를 공유하지 않으면서도 분산된 데이터 소스 간 공간적으로 의존적인 잠재 변수 모델링을 가능하게 하는 피어드레이티드 학습 프레임워크를 개발한다.
• CoRiCAL, ReefCloud, 호주 암 어트라스와 같은 상호작용형 소프트웨어 플랫폼에 베이지안 네트워크와 계층적 모델을 통합한다.
• 계산 기술의 발전을 활용하여 다양한 원천(예: 위성 원격 감지, 시민 과학)에서 온 대규모이고 복잡한 데이터셋에 대한 베이지안 추론을 확장한다.

실험 결과

연구 질문

• RQ1 샘플링 윈도우를 활용한 베이지안 최적 실험 설계는 대규모 생태 모니터링에서 데이터 수집 효율성을 어떻게 향상시킬 수 있는가?
• RQ2 베이지안 모델은 가상현실 기반의 정보 수집 및 시민 과학과 같은 새로운 데이터 소스의 신뢰성과 통합을 어떻게 향상시킬 수 있는가?
• RQ3 공간적으로 의존적인 잠재 변수를 갖는 피어드레이티드 학습은 기관 간 분산된 데이터의 개인정보 보호를 유지하면서도 분석을 가능하게 하는가?
• RQ4 의료 및 생태계 시스템에서 가능도 없는 추론(예: SMC-ABC)을 사용해 복잡한 암시적 모델을 校정할 때의 실질적 과제와 이점은 무엇인가?
• RQ5 베이지안 모델은 어떻게 다양한 맥락(예: 한 지역에서 다른 지역으로) 간 이행되어 확장 가능하고 일반화 가능한 추론을 지원할 수 있는가?

주요 결과

• 샘플링 윈도우를 활용한 베이지안 최적 실험 설계는 3,000개의 산호초에서 생태 모니터링 과정에서 높은 추론 정확도를 유지하면서도 데이터 수집 비용을 감소시켰다.
• 베이지안 계층적 모델 기반의 ReefCloud 플랫폼은 2004년 이전부터의 전 세계적인 산호 피복 추세 실시간 시각화를 가능하게 하여 기후 영향 평가를 지원했다.
• 레루오우 사전분포를 사용한 베이지안 공간 모델을 적용한 호주 암 어트라스는 2,148개의 소규모 지역에서 고해상도이고 신뢰할 수 있는 유병률 및 생존율 추정치를 제공하며 지역 간 불평등을 드러냈다.
• 베이지안 네트워크를 기반으로 한 CoRiCAL 백신 위험-이점 계산기에서는 코로나19 패닉 기간 동안 복잡한 위험 및 이점 데이터를 통합하여 개인 맞춤형 의사결정을 가능하게 했다.
• 공간적으로 의존적인 잠재 변수를 갖는 피어드레이티드 학습은 원시 데이터를 공유하지 않으면서도 여러 데이터 관리자 간 협업 모델링을 성공적으로 수행하여 개인정보 보호를 유지했다.
• SMC-ABC 기반의 가능도 없는 추론은 복잡한 종양 성장 에이전트 기반 모델의 효과적인 校정을 가능하게 하여 가능도가 불가항력한 시스템에서의 유용성을 입증했다.