[論文レビュー] Blang: Bayesian declarative modelling of arbitrary data structures

Alexandre Bouchard‐Côté, Kevin Chern+6 more|arXiv (Cornell University)|Dec 22, 2019

Bayesian Methods and Mixture Models被引用数 5

ひとこと要約

Blang は、グラフ、木、シーケンスなどの任意のデータ構造におけるベイズ推論を、宣言的で BUGS に類似した構文を用いて可能にするドメイン固有言語およびライブラリである。ユーザー定義のデータ型をサポートし、スケーラブルで並列化可能かつ非可逆な MCMC 法を活用して、複雑な非ユークリッド状態空間における効率的な推論を実現する。

ABSTRACT

Consider a Bayesian inference problem where a variable of interest does not take values in a Euclidean space. These non-standard data structures are in reality fairly common. They are frequently used in problems involving latent discrete factor models, networks, and domain specific problems such as sequence alignments and reconstructions, pedigrees, and phylogenies. In principle, Bayesian inference should be particularly well-suited in such scenarios, as the Bayesian paradigm provides a principled way to obtain confidence assessment for random variables of any type. However, much of the recent work on making Bayesian analysis more accessible and computationally efficient has focused on inference in Euclidean spaces. In this paper, we introduce Blang, a domain specific language (DSL) and library aimed at bridging this gap. Blang allows users to perform Bayesian analysis on arbitrary data types while using a declarative syntax similar to BUGS. Blang is augmented with intuitive language additions to invent data types of the user's choosing. To perform inference at scale on such arbitrary state spaces, Blang leverages recent advances in parallelizable, non-reversible Markov chain Monte Carlo methods.

研究の動機と目的

• ネットワーク、シーケンス、系統図などの非ユークリッド的で任意のデータ構造に対するベイズ推論のサポート不足に対処すること。
• 標準的なユークリッド空間手法に適さない複雑なデータ型における原理的ベイズモデリングと実用的推論のギャップを埋めること。
• 任意のデータ構造における確率的モデルを指定するための、BUGS に類似した使いやすい宣言的インターフェースを提供すること。
• 高度な MCMC 技法の統合を通じて、高次元で非標準の状態空間におけるスケーラブルな推論を可能にすること。

提案手法

• 任意のデータ型における確率的関係をモデリングするための、BUGS をインspired した宣言的構文を持つドメイン固有言語（DSL）である Blang を導入すること。
• 直感的な言語拡張を通じてユーザーがカスタムデータ型を定義できるようにし、木、アラインメント、グラフなどの複雑な構造の表現を可能にすること。
• 大規模で非ユークリッド状態空間における推論のスケーラビリティを高めるために、非可逆で並列化可能なマルコフ連鎖モンテカルロ（MCMC）アルゴリズムを活用すること。
• 潜在的離散要因モデル、ネットワーク構造、系統発生の再構築やアラインメントといったドメイン固有の問題における推論をサポートすること。
• モデル仕様と推論実装を分離することで、多様なデータ型に対応するモジュラで拡張可能な設計を実現すること。

実験結果

リサーチクエスチョン

• RQ1 グラフやシーケンスのような任意の非ユークリッド的データ構造に対するベイズモデリングを、どのように効果的に拡張できるか？
• RQ2 宣言的モデリング言語が、計算のスケーラビリティを維持しつつ、複雑なユーザー定義データ型をどれほど効果的にサポートできるか？
• RQ3 非可逆で並列化可能な MCMC 法が、実際の高次元で非標準の状態空間における効率的推論を可能にするか？
• RQ4 Blang のアプローチは、系統図や系統発生木のような複雑なデータ構造のモデリングと推論において、既存のツールと比べてどのように異なるか？

主な発見

• Blang は、系統発生木、シーケンス、ネットワークなどの複雑な構造を含む、任意のデータ型におけるベイズ推論を成功裏に可能にした。
• Blang の宣言的構文により、非ユークリッド的データに対するモデルの指定に最小限のボイラープレートで済み、モデルの表現力と可読性が向上した。
• 非可逆 MCMC 法の統合により、複雑で高次元の状態空間におけるスケーラブルで効率的なサンプリングが可能になった。
• 言語は拡張可能なデータ型定義をサポートしており、アラインメントや系統図の関係性といったドメイン固有の構造をモデル化できるようになった。