[논문 리뷰] Calibrar: an R package for fitting complex ecological models

Ricardo Oliveros‐Ramos, Yunne‐Jai Shin|arXiv (Cornell University)|2016. 03. 10.

Data Analysis with R참고 문헌 18인용 수 15

한 줄 요약

이 논문은 최대우도추정을 통해 복잡한 생태모델을 피팅하기 위한 새로운 적응형 계층적 재조합 유전적 전략(AHR-ES)을 구현한 calibrar R 패키지 소개한다. 이 방법은 데이터에 특화된 가중치 부여와 자가적응형 공분산 행렬 조정을 통합하여, 다중모드이자 확률적인 생태모델에서 표준 유전적 전략에 비해 수렴성과 성능을 크게 향상시킨다.

ABSTRACT

The fitting or parameter estimation of complex ecological models is a challenging optimisation task, with a notable lack of tools for fitting complex, long runtime or stochastic models. calibrar is an R package that is dedicated to the fitting of complex models to data. It is a generic tool that can be used for any type of model, especially those with non-differentiable objective functions and long runtime, including Individual Based Models. calibrar supports multiple phases and constrained optimisation, includes 18 optimisation algorithms, including derivative-based and heuristic ones. It supports any type of parallelization, the restart of interrupted optimisations for long runtime models and the combination of different optimisation methods during the multiple phases of the calibration. User-level expertise in R is necessary to handle calibration experiments with calibrar, but there is no need to modify the model's code, which can be programmed in any language. It implements maximum likelihood estimation methods and automated construction of the objective function from simulated model outputs. For more experienced users, calibrar allows the implementation of user-defined objective functions. The package source code is fully accessible and can be installed directly from CRAN.

연구 동기 및 목표

• 다양한 데이터 소스와 고차원 매개변수 공간을 가진 복잡하고 확률적인 생태모델을 보정하는 데 도전하는 것.
• 비선형 역학과 다중모드 우도 표면을 가진 모델에서 매개변수 추정의 수렴성과 강인성을 향상시키는 것.
• 다양한 최적화 알고리즘과 모델 유형을 지원하는 유연하고 개방형의 R 패키지를 개발하는 것.
• 우도 기반 적합도 함수를 통합하여 신뢰구간 추정과 적합도 검정을 포함한 통계적 추론을 가능하게 하는 것.
• 고도로 재조합 및 자가적응 메커니즘을 통해 더 작은 개체군 크기로도 효율적인 최적화를 가능하게 하여 계산 부담을 줄이는 것.

제안 방법

• 데이터에 특화된 우도와 매개변수 변동성에 기반한 가중치를 적용한 새로운 적응형 계층적 재조합(AHR) 프로세스를 갖춘 유전적 전략(ES)을 사용한다.
• 최적화 중에 돌연변이 비율을 동적으로 조정하기 위해 공분산 행렬(C)에 대한 자가적응 메커니즘을 사용한다. 이는 조기 수렴을 방지한다.
• 각각 다른 데이터 소스 또는 보정 변수에 해당하는 다수의 부분우도(f_k)를 포함한 기본 항과 함께 구성된 적합도 함수를 적용한다.
• 총 적합도(f(x))에 기반한 선택을 수행하면서도, 재조합을 이끄는 데 부분적 적합도 순위(f_k)를 활용하여 검색 효율성을 향상시킨다.
• 경계를 통한 제약 최적화를 지원하며, 벤치마킹 및 비교를 위해 R의 optimx와 cmaes 패키지와 통합한다.
• 계산 효율성을 위해 대각 공분산 행렬을 사용하며, 향후 작업으로 전체 공분산 행렬로의 확장을 계획한다.

실험 결과

연구 질문

• RQ1 다양한 데이터 소스를 가진 복잡하고 확률적인 생태모델을 효율적으로 보정하기 위해 유전적 전략을 어떻게 향상시킬 수 있는가?
• RQ2 AHR-ES 알고리즘은 표준 ES 및 기타 최적화 방법에 비해 수렴 속도와 해의 질에서 어느 정도 향상되는가?
• RQ3 AHR-ES에서 공분산 행렬의 자가적응은 고차원이며 다중모드의 우도 표면에서 조기 수렴을 방지하는가?
• RQ4 우도 기반 적합도 함수의 통합은 생태모델 보정에서 통계적 타당성과 추론을 어떻게 향상시키는가?
• RQ5 실제 생태모델 보정 과업에서 기존 최적화기(BFGS, Nelder-Mead, CMA-ES 등)에 비해 AHR-ES의 성능은 어떠한가?

주요 결과

• AHR-ES 알고리즘은 다중모드 우도 표면을 가진 복잡한 생태모델에서 표준 유전적 전략에 비해 수렴 속도와 해의 정확도에서 뚜렷한 우수성을 보였다.
• 재조합 과정에 데이터에 특화된 가중치를 포함시킴으로써, 각 데이터 유형을 가장 잘 설명하는 매개변수 조합을 우선시함으로써 모델 적합도가 향상되었다.
• 공분산 행렬의 자가적응은 수동 튜닝의 필요성을 줄이고, 특히 고차원 매개변수 공간에서 정체를 방지하는 데 기여했다.
• calibrar 패키지는 AHR-ES를 기존 R 최적화 도구와 성공적으로 통합하여 벤치마킹과 재현 가능한 보정 워크플로우를 가능하게 하였다.
• 포식자-피식자 모델과 자기회귀 포oisson 혼합모델 모두에서, AHR-ES는 모든 테스트된 방법 중에서 진짜 시뮬레이션 값에 가장 가까운 매개변수 추정치를 도출하였다.
• 이 프레임워크를 통해 우도 기반 목표 함수를 사용할 수 있게 되어, 신뢰구간 추정 및 모델 비교를 포함한 후속 통계적 추론이 가능해졌다.