[論文レビュー] Calibrar: an R package for fitting complex ecological models

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

Data Analysis with R参考文献 18被引用数 15

ひとこと要約

この論文では、最尤推定を用いた複雑な生態モデルのフィッティングを実現する、新しい適応的階層的再結合進化的戦略（AHR-ES）を実装した calibrar Rパッケージを紹介する。本手法は、データ固有の重み付けと自己適応的共分散行列調整を統合することで、多次元的で確率的な生態モデルにおける収束性と性能を、標準的な進化的戦略よりも顕著に向上させる。

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.

研究の動機と目的

• 複数のデータソースと高次元パラメータ空間を有する複雑で確率的な生態モデルのキャリブレーションという課題に対処すること。
• 非線形ダイナミクスと多次元尤度表面を有するモデルにおける、パラメータ推定の収束性と頑健性を向上させること。
• 生態学的応用を想定した、さまざまな最適化アルゴリズムとモデルタイプをサポートする柔軟でオープンソースの R パッケージの開発。
• 尤度に基づくフィットネス関数の統合により、信頼区間推定や適合度検定を含む統計的推論を可能にすること。
• 高度な再結合と自己適応メカニズムを用いることで、小規模な集団サイズでも効率的な最適化を実現し、計算負荷を低減すること。

提案手法

• データ固有の尤度とパラメータのばらつきに基づいて重み付けされたパラメータ解を組み合わせる、新しい適応的階層的再結合（AHR）プロセスを備えた進化的戦略（ES）を採用。
• 最適化中に突然変異率を動的に調整できる共分散行列（C）の自己適応メカニズムを用い、早期収束を防止。
• 各データソースまたはキャリブレーション変数に対応する複数の部分尤度（f_k）を含む、ベース項と組み合わせたフィットネス関数を適用。
• 全フィットネス（f(x)）に基づく選択と、再結合を誘導する部分フィットネス順位（f_k）の両方を用い、探索効率を向上。
• 境界制約を用いた制約付き最適化をサポートし、ベンチマークと比較のため R の optimx および cmaes パッケージと統合。
• 計算効率を高めるために対角共分散行列を採用し、今後の課題として全共分散行列への拡張を計画。

実験結果

リサーチクエスチョン

• RQ1 複数のデータソースを有する複雑で確率的な生態モデルを、効率的にキャリブレーションするためには、進化的戦略をどのように拡張すればよいか。
• RQ2 AHR-ES アルゴリズムは、標準的な ES や他の最適化手法と比較して、収束速度と解の品質をどの程度向上させるか。
• RQ3 AHR-ES における共分散行列の自己適応は、高次元かつ多次元の尤度表面において、早期収束を防げるか。
• RQ4 尤度に基づくフィットネス関数の統合は、生態モデルキャリブレーションにおける統計的妥当性と推論をどのように向上させるか。
• RQ5 実際の生態モデルキャリブレーションタスクにおいて、AHR-ES は BFGS や Nelder-Mead、CMA-ES などの既存の最適化手法と比較して、どの程度の性能を示すか。

主な発見

• AHR-ES アルゴリズムは、多次元尤度表面を有する複雑な生態モデルにおいて、収束速度と解の正確性の両面で、標準的な進化的戦略を顕著に上回った。
• 再結合におけるデータ固有の重み付けの導入により、各データタイプを最もよく説明するパラメータ集合を優先し、モデル適合性が向上した。
• 共分散行列の自己適応により、手動でのチューニングの必要性が低減され、特に高次元パラメータ空間において停滞を防止できた。
• calibrar パッケージは、AHR-ES を既存の R 最適化ツールと効果的に統合し、ベンチマークと再現可能なキャリブレーションワークフローの実現に成功した。
• 捕食者-被捕食者モデルおよび自己回帰的ポisson混合モデルの両方において、AHR-ES は全テスト手法の中で真のシミュレート値に最も近いパラメータ推定値を達成した。
• 本フレームワークにより尤度に基づく目的関数を用いることが可能となり、信頼区間推定やモデル比較を含む統計的推論が可能になった。