[论文解读] Parameter Selection Methods in Inverse Problem Formulation

H. T. Banks, Ariel Cintrón-Arias|arXiv (Cornell University)|Apr 15, 2020

HIV Research and TreatmentImmunology and Microbiology参考文献 60被引用 22

一句话总结

本文提出了一种基于敏感度的参数选择方法，利用费雪信息矩阵（Fisher Information Matrix）和渐近标准误，识别在高维反问题中可被可靠估计的参数。通过评估参数敏感度和不确定性量化，该方法降低了估计误差并提高了可靠性，在HIV动力学模型中，当仅从初始的18个参数中选择5个关键参数时，变异系数（coefficient of variation）最高降低了四个数量级。

ABSTRACT

We discuss methods for {\em a priori} selection of parameters to be estimated in inverse problem formulations (such as Maximum Likelihood, Ordinary and Generalized Least Squares) for dynamical systems with numerous state variables and an even larger number of parameters. We illustrate the ideas with an in-host model for HIV dynamics which has been successfully validated with clinical data and used for prediction.

研究动机与目标

• 解决在具有大量参数和有限数据的大型动力系统中，选择可被可靠估计的参数子集的挑战。
• 通过聚焦于敏感度低且可识别性高的参数，改进参数估计中的不确定性量化。
• 为复杂生物模型（如HIV动力学）的反问题建模开发一种实用且计算可行的框架。
• 证明基于敏感度分析减少估计参数数量可显著提高估计精度并降低标准误。
• 提供一种基于先验知识（如参数范围和观测误差）的定量、局部化参数选择方法，以指导反问题建模。

提出的方法

• 利用局部敏感度分析和费雪信息矩阵（FIM）评估每个参数对模型输出的影响。
• 通过FIM的逆矩阵计算渐近标准误，以量化参数估计的不确定性。
• 基于FIM的条件数和变异系数（CV）向量的范数，应用一个选择评分来对参数集进行排序。
• 采用贪心算法，迭代选择使不确定性与条件数最小化的最小参数子集。
• 以HIV体内模型为测试平台，应用普通最小二乘法（OLS）和广义最小二乘法（GLS）进行参数估计。
• 通过比较不同参数子集之间的变异系数（CV），验证结果，显示估计不确定性的显著降低。

实验结果

研究问题

• RQ1 在有限纵向数据条件下，高维反问题中的哪些参数可以被可靠估计？
• RQ2 参数敏感度（通过费雪信息矩阵量化）与估计不确定性及可识别性之间有何关联？
• RQ3 在复杂生物模型中，减少估计参数数量在多大程度上能改善不确定性量化？
• RQ4 参数选择对费雪信息矩阵的条件数及由此产生的标准误有何影响？
• RQ5 基于敏感度的选择框架是否能一致地识别出一个最小参数集，使其产生可靠且低不确定性的估计？

主要发现

• 当将估计参数数从18个减少到5个时，参数 $\lambda_1$ 的变异系数（CV）从84.3%降至11.5%，表明估计可靠性显著提高。
• 对于 $N_T$，CV从404%降至9.99%，标准误从估计值的40,000%降至10%，表明不确定性量化实现了四个数量级的改进。
• 当参数数从18个减少到5个时，$x_1^0$ 的标准误从估计值的5,000%降至4%，表明估计不确定性大幅降低。
• 当参数集从18个减少到5个时，费雪信息矩阵的条件数从 $7.518 \times 10^8$ 降至 $8.383 \times 10^1$，表明数值条件性得到极大改善。
• 选择评分从 $1.025 \times 10^5$ 降至 $3.990 \times 10^{-1}$，证实所选的五个参数子集具有显著更高的可识别性且对噪声不敏感。
• 即使在参数集减少后，$b_E$、$K_b$、$d_E$ 和 $K_d$ 等参数仍保持高不确定性（CV为11,200%–40,400%），表明并非所有参数均能同等受益于参数减少，因此仍需谨慎选择。