[论文解读] Probabilistic Models for Integration Error in the Assessment of Functional Cardiac Models

Chris J. Oates, Steven Niederer+3 more|Research Portal (King's College London)|Jun 22, 2016

Probabilistic and Robust Engineering Design参考文献 53被引用 3

一句话总结

该论文提出狄利克雷过程混合贝叶斯积分法（DPMBQ），一种概率数值方法，可联合建模未知函数与不可计算的输入分布，以量化在功能心脏模型评估中积分误差。通过将数值积分视为统计推断问题，DPMBQ 提供积分的后验分布，明确考虑双重误差来源——受限于样本数量和输入分布未知——从而在计算成本高昂的场景下实现更公平的模型评估。

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.

研究动机与目标

• 解决在评估功能心脏模型时数值积分误差的挑战，其中模型输出和输入分布均不可计算且计算成本高昂。
• 通过将标准贝叶斯积分法扩展至输入分布由蒙特卡洛样本估计的情形，克服标准贝叶斯积分法假设输入分布已知的局限性。
• 开发一种统计上严谨的框架，以在基于仿真的模型评估中分离内在模型性能与数值近似误差。
• 提供积分的后验分布，量化由样本有限性和输入分布未知引起的不确定性，从而实现稳健的推断与模型比较。

提出的方法

• 使用高斯过程先验对未知函数 $f(x)$ 建模，实现对函数评估值的非参数回归。
• 利用狄利克雷过程混合先验，从蒙特卡洛样本中估计不可计算的输入分布 $p(\mathrm{d}x)$，实现灵活的非参数密度估计。
• 将 $f$ 的高斯过程先验与基于狄利克雷过程的 $p(\mathrm{d}x)$ 估计相结合，推导出积分 $p(f) = \int f(x)p(\mathrm{d}x)$ 的闭式后验分布。
• 利用联合模型计算积分的后验预测分布，该分布自然地同时考虑了 $f$ 的认知不确定性与 $p(\mathrm{d}x)$ 的不确定性。
• 将该方法实现为狄利克雷过程混合贝叶斯积分法（DPMBQ），计算复杂度为 $O(n^3)$，其中 $n$ 为样本数量。
• 利用积分的后验分布将不确定性传播至模型评估中，从而区分数值误差与模型不足。

实验结果

研究问题

• RQ1 当函数和输入分布均未知且计算成本高昂时，如何量化数值积分误差？
• RQ2 能否通过联合建模函数与输入分布的概率模型，提升基于仿真模型评估中积分估计的可靠性？
• RQ3 DPMBQ 在多大程度上减少了在评估功能心脏模型时数值误差的混淆效应？
• RQ4 当样本量 $n$ 较小且 $f$ 为黑箱时，积分的后验分布与标准估计器（如样本均值）相比表现如何？
• RQ5 该方法在有限计算预算下估计积分时，其理论与实证一致性如何？

主要发现

• DPMBQ 提供了积分的后验分布，明确量化了由样本有限性和输入分布未知引起的不确定性。
• 该方法在五维古德温振荡器模型上得到验证，其估计结果具有一致性，随着样本量 $n$ 增加，Wasserstein 距离逐渐减小。
• 在心脏模型实验中，基准值通过 $m \approx 10^3$ 个加权样本计算得出，耗时约 $10^5$ CPU 小时，表明暴力计算方法在计算上不可行。
• 当通过高精度求解微分方程将数值误差降至零时，DPMBQ 的后验分布与真实积分结果一致。
• 该方法通过分离数值误差与模型性能，实现了更公平的模型评估，这在高成本仿真场景中至关重要。
• 该方法将贝叶斯积分法扩展至不可计算的输入分布，克服了标准 BQ 方法假设已知 $p(\mathrm{d}x)$ 的关键局限。