[논문 리뷰] Probabilistic Models for Integration Error in the Assessment of Functional Cardiac Models

Chris J. Oates, Steven Niederer외 3명|Research Portal (King's College London)|2016. 06. 22.

Probabilistic and Robust Engineering Design참고 문헌 53인용 수 3

한 줄 요약

이 논문은 기능성 심장 모델 평가에서 통합 오차를 정량화하기 위해 알려지지 않은 함수와 접근할 수 없는 입력 분포를 함께 모델링하는 확률적 수치 방법인 디리클레 과정 혼합 베이지안 적분(DPMBQ)을 제안한다. 수치 적분을 통계적 추론 문제로 간주함으로써 DPMBQ는 적분에 대한 사후 분포를 제공하여 표본 수 제한과 알려지지 않은 입력 분포로 인한 이중 오차 원인을 명시적으로 고려한다. 이는 계산 비용이 높은 환경에서 더 공정한 모델 평가를 가능하게 한다.

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.

연구 동기 및 목표

• 함수적 심장 모델 평가에서 모델 출력과 입력 분포가 모두 접근할 수 없고 평가에 비용이 많이 드는 상황에서 수치 적분 오차를 다루는 데 도전한다.
• 기존의 베이지안 적분이 입력 분포를 알려진 것으로 가정하는 한계를 극복하기 위해, 입력 분포가 몬테카를로 표본에서 추정되는 경우로 확장한다.
• 모의 실험 기반 모델 평가에서 내재된 모델 성능과 수치 근사 오차를 통계적으로 타당한 프레임워크로 분리하는 방법을 개발한다.
• 제한된 표본과 알려지지 않은 입력 분포로 인한 불확실성을 정량화하는 적분에 대한 사후 분포를 제공하여 강력한 추론과 모델 비교를 가능하게 한다.

제안 방법

• 함수 $f(x)$를 가우시안 프로세스 사전분포로 모델링하여 함수 평가치에 대한 비모수적 회귀를 가능하게 한다.
• 몬테카를로 표본에서 접근할 수 없는 입력 분포 $p(\mathrm{d}x)$를 디리클레 과정 혼합 사전분포를 사용해 추정함으로써, 민첩하고 비모수적인 밀도 추정이 가능해진다.
• 함수 $f$에 대한 GP 사전분포와 $p(\mathrm{d}x)$에 대한 DP 기반 추정치를 조합하여 적분 $p(f) = \int f(x)p(\mathrm{d}x)$에 대한 닫힌 형태의 사후 분포를 유도한다.
• 통합에 대한 사후 예측 분포를 계산하기 위해 통합 모델을 활용하여, $f$의 지식 부족 불확실성과 $p(\mathrm{d}x)$의 불확실성을 자연스럽게 고려한다.
• 계산 비용이 $O(n^3)$인 디리클레 과정 혼합 베이지안 적분(DPMBQ)으로서 방법을 구현하며, 여기서 $n$은 표본 수이다.
• 적분에 대한 사후 분포를 활용해 모델 평가 과정에서 불확실성을 전파하여, 수치 오차와 모델 부적합성 간의 구분을 가능하게 한다.

실험 결과

연구 질문

• RQ1 함수와 입력 분포가 모두 알려져 있지 않고 계산 비용이 많이 드는 상황에서 수치 적분 오차는 어떻게 정량화할 수 있는가?
• RQ2 함수와 입력 분포에 대한 공동 확률 모델이 시뮬레이션 기반 모델 평가에서 적분 추정치의 신뢰성을 향상시키는가?
• RQ3 DPMBQ는 기능성 심장 모델 평가에서 수치 오차의 혼동 효과를 어느 정도 감소시키는가?
• RQ4 표본 수 $n$ 이 작고 $f$가 블랙박스일 경우, 적분에 대한 사후 분포는 표본 평균과 같은 표준 추정기와 어떻게 비교되는가?
• RQ5 제안된 방법이 제한된 계산 예산 하에서 적분을 추정할 때 이론적 및 실증적 일관성이 있는가?

주요 결과

• DPMBQ는 제한된 표본과 알려지지 않은 입력 분포로 인한 불확실성을 명시적으로 정량화하는 적분에 대한 사후 분포를 제공한다.
• 이 방법은 5차원의 굿윈 오시레이터 모델에서 검증되었으며, 표본 수 $n$이 증가함에 따라 워샤르스타인 거리가 감소하는 등 일관된 추정치를 도출하였다.
• 심장 모델 실험에서는 $m \approx 10^3$개의 가중치가 부여된 표본을 사용하여 기준값을 계산하였으며, 이는 약 $10^5$ CPU 시간이 소요되어 브루트 포스 방법의 계산 불가능성을 입증하였다.
• 고정밀도 미분방정식 해법을 통해 수치 오차를 제로로 줄였을 때, DPMBQ의 사후 분포가 진정한 적분값과 일치하는 것으로 확인되었다.
• 이 방법은 수치 오차와 모델 성능를 분리함으로써 고비용 시뮬레이션 환경에서 더 공정한 모델 평가를 가능하게 한다.
• 이 방법은 표준 BQ가 $p(\mathrm{d}x)$를 알려진 것으로 가정하는 한계를 극복하여, 접근할 수 없는 입력 분포로의 베이지안 적분 확장을 실현한다.