[论文解读] Flexible Model Selection for Mechanistic Network Models via Super Learner

Sixing Chen, Antonietta Mira+1 more|arXiv (Cornell University)|Apr 1, 2018

Markov Chains and Monte Carlo Methods参考文献 44被引用 2

一句话总结

本文提出了一种灵活的模型选择框架，用于机制网络模型，结合超级学习器集成方法与近似贝叶斯计算（ABC），即使在似然函数难以计算的情况下也能准确区分竞争模型。该方法利用正向模拟并量化模型选择中的不确定性，在模拟实验中表现出色。

ABSTRACT

Application of network models can be found in many domains due to the variety of data that can be represented as a network. Two prominent paradigms for modeling networks are statistical models (probabilistic models for the final observed network) and mechanistic models (models for network growth and evolution over time). Mechanistic models are easier to incorporate domain knowledge with, to study effects of interventions and to forward simulate, but typically have intractable likelihoods. As such, and in a stark contrast to statistical models, there is a dearth of work on model selection for such models, despite the otherwise large body of extant work. In this paper, we propose a procedure for mechanistic network model selection that makes use of the Super Learner framework and borrows aspects from Approximate Bayesian Computation, along with a means to quantify the uncertainty in the selected model. Our approach takes advantage of the ease to forward simulate from these models, while circumventing their intractable likelihoods at the same time. The overall process is very flexible and widely applicable. Our simulation results demonstrate the approach's ability to accurately discriminate between competing mechanistic models.

研究动机与目标

• 解决机制网络模型缺乏系统性模型选择方法的问题，尽管这些模型被广泛使用，但缺乏统计验证工具。
• 克服机制模型中似然函数难以计算所带来的挑战，这些挑战阻碍了标准的基于似然的模型比较方法。
• 开发一种灵活的、基于模拟的框架，整合领域知识并实现模型选择中的不确定性量化。
• 通过数据驱动的集成学习方法，实现对竞争机制模型的可靠选择。
• 提供一种通用解决方案，可广泛应用于对网络增长过程感兴趣的各类领域。

提出的方法

• 将超级学习器框架适配于将多个候选机制网络模型组合为一个集成预测器。
• 使用近似贝叶斯计算（ABC）方法，通过汇总统计量将每个模型生成的模拟网络与观测网络进行比较。
• 采用正向模拟方法，在每个候选模型下生成合成网络，避免了显式计算似然函数的需求。
• 在ABC加权预测结果上训练元学习器，以选择最优的模型组合，从而提高模型选择的准确性。
• 通过估计ABC重复实验中超级学习器权重的变异性，量化模型选择中的不确定性。
• 使用一组信息丰富的汇总统计量，比较模拟网络与观测网络，确保模型比较的保真度。

实验结果

研究问题

• RQ1 当似然函数难以计算时，基于超级学习器的集成方法是否能有效选择最适配的机制网络模型？
• RQ2 在模拟研究中，该方法在区分竞争机制网络模型方面的表现如何？
• RQ3 在该框架下，模型选择中的不确定性在多大程度上可以被量化并报告？
• RQ4 该方法在不同网络拓扑结构和生长机制下的表现如何？
• RQ5 该方法是否可灵活应用于不同领域，而无需进行模型特定的修改？

主要发现

• 所提出的方法在模拟研究中能够以高精度成功区分竞争机制网络模型。
• 将超级学习器与ABC结合，即使在似然函数难以计算的情况下，也能实现稳健的模型选择。
• 所选模型的不确定性可被量化，从而为模型选择决策提供信心支持。
• 该框架具有高度灵活性，可广泛适用于不同类型网络及特定领域的生长机制。
• 通过在多个候选模型上集成学习，该方法优于单一模型选择策略。
• 正向模拟足以实现模型比较，无需依赖解析似然函数。