[논문 리뷰] inlabru: software for fitting latent Gaussian models with non-linear predictors

Finn Lindgren, Fabian E. Bachl외 4명|arXiv (Cornell University)|2024. 06. 30.

Simulation Techniques and ApplicationsDecision Sciences인용 수 3

한 줄 요약

이 논문은 비선형 예측자를 갖는 잠재 가우시안 모형을 적합하기 위해 INLA를 확장하는 R 패키지인 inlabru를 소개한다. 이 방법은 첫 번째 차수 테일러 전개를 사용해 반복적으로 예측자를 선형화하고, 각 선형화된 구성을 INLA로 적합한다. 이로 인해 기존 표준 INLA로는 비현실적이었던 복잡한 모형—예를 들어 공간 점 프로세스, 비선형 탐지 함수, 자기흥분 점 프로세스 등—에 대해서도 효율적인 베이지안 추론이 가능해진다.

ABSTRACT

The integrated nested Laplace approximation (INLA) method has become a popular approach for computationally efficient approximate Bayesian computation. In particular, by leveraging sparsity in random effect precision matrices, INLA is commonly used in spatial and spatio-temporal applications. However, the speed of INLA comes at the cost of restricting the user to the family of latent Gaussian models and the likelihoods currently implemented in {INLA}, the main software implementation of the INLA methodology. {inlabru} is a software package that extends the types of models that can be fitted using INLA by allowing the latent predictor to be non-linear in its parameters, moving beyond the additive linear predictor framework to allow more complex functional relationships. For inference it uses an approximate iterative method based on the first-order Taylor expansion of the non-linear predictor, fitting the model using INLA for each linearised model configuration. {inlabru} automates much of the workflow required to fit models using {R-INLA}, simplifying the process for users to specify, fit and predict from models. There is additional support for fitting joint likelihood models by building each likelihood individually. {inlabru} also supports the direct use of spatial data structures, such as those implemented in the {sf} and {terra} packages. In this paper we outline the statistical theory, model structure and basic syntax required for users to understand and develop their own models using {inlabru}. We evaluate the approximate inference method using a Bayesian method checking approach. We provide three examples modelling simulated spatial data that demonstrate the benefits of the additional flexibility provided by {inlabru}.

연구 동기 및 목표

• 비선형 예측자를 允許함으로써 INLA를 사용한 빠른 베이지안 추론가능 모형의 범위를 확장하기 위해.
• 표준 INLA가 잠재 매개변수에 대해 예측자를 선형으로 제한한다는 한계를 해결하기 위해.
• R에서 모형 사양, 적합, 예측 워크플로우를 자동화하여 사용자 부담을 감소시키기 위해.
• 공동 우도, 공간 데이터 구조(spatial data structures, sf, terra), 추가 패키지와의 통합과 같은 고급 모형 기능을 지원하기 위해.
• 비선형 관계를 갖는 생태학적, 역학적, 지리공간 모형에 대해 INLA의 계산 효율성을 적용하기 위해.

제안 방법

• 현재 매개변수 추정치 주위에서 비선형 예측자를 선형화하기 위해 첫 번째 차수 테일러 전개를 사용한다.
• 모델의 순차적 선형화된 근사를 반복적으로 INLA로 적합한다.
• 저수준의 모형 구성에 대한 추상화를 통해 INLA의 '스택 구축(stacking)' 과정을 고수준 R 문법을 통해 자동화한다.
• 모형 사양에서 공간 데이터 객체(sf, terra, sp, raster)를 직접 사용할 수 있도록 지원한다.
• 추가 패키지(예: ETAS.inlabru, dirinla, rSPDE)와의 통합을 위한 모듈식 훅을 제공하여 모형 유형을 확장한다.
• 스트리밍된 추정 후 추론 및 시뮬레이션을 위한 predict() 및 generate() 메서드를 제공한다.

실험 결과

연구 질문

• RQ1 테일러 전개를 통한 반복 선형화가 비선형 예측자를 갖는 잠재 가우시안 모형에 대해 효율적인 베이지안 추론을 가능하게 하는가?
• RQ2 정확성과 속도 측면에서 inlabru의 성능이 정확한 MCMC 또는 기타 근사 방법과 비교해 어떻게 되는가?
• RQ3 inlabru가 자기흥분 점 프로세스나 비선형 탐지 함수와 같은 복잡한 실제 모형을 얼마나 잘 지원할 수 있는가?
• RQ4 실제로 반복 방법이 진정한 사후 분포에 얼마나 잘 수렴하는가?
• RQ5 inlabru는 생태학, 공중보건, 지진학 분야의 모형 개발에 실질적인 영향을 미치는가?

주요 결과

• inlabru의 반복 선형화 방법은 제안 분포의 30회 이내의 적응 과정으로 진정한 사후 분포에 잘 수렴하는 것으로 확인되었다.
• inlabru는 표준 INLA가 다루지 못하는 비선형 예측자를 갖는 모형—예를 들어 반정규 탐지 함수, 자기흥분 하크스 프로세스—의 적합이 가능하게 하였다.
• 개별 우도를 구축하고 조합할 수 있도록 해서 공동 우도 모형을 성공적으로 지원함으로써 유연성을 향상시켰다.
• inlabru는 공간 데이터 형식(sf, terra)과의 원활한 통합을 제공하며, 그래프 위의 난수 필드 및 분수형 SPDE와 같은 고급 모형 기능도 지원한다.
• 이 방법은 동물 이동 추적, 지진 활동, 돌고래 개체수 모형화를 포함한 발표된 연구들에 성공적으로 적용되었다.
• inlabru는 새로운 INLA 기능(inla.mdata, inla.surv)과도 호환성을 유지하여 지속적인 INLA 기능 발전을 뒷받침한다.