基于可交换神经网络的群体遗传数据无似然推断框架
机器学习
2018-11-07 v2 种群与进化
机器学习
摘要
过去十年高通量 DNA 测序的爆发引发了利用全基因组数据进行群体尺度推断的兴趣激增。群体遗传学的近期工作集中于为相对简单的模型类设计推断方法，而针对更真实、复杂模型的可扩展通用推断技术甚少。为此，需解决两个推断挑战：(1) 群体数据是可交换的，要求能有效利用数据对称性的方法；(2) 计算似然不可行，因为需要对一组相关的极高维潜变量积分。这些挑战传统上由无似然方法应对，其使用科学模拟器生成数据集并将其归约为手工设计、置换不变的摘要统计量，常导致不准确推断。本工作中，我们开发了执行无摘要统计量、无似然推断的可交换神经网络。我们的框架能以黑盒方式应用于各类基于模拟的任务，包括生物学内外。我们在重组热点检测问题上展示了方法的威力，优于当前最优（state-of-the-art）。
引用
@article{arxiv.1802.06153,
title = {A Likelihood-Free Inference Framework for Population Genetic Data using Exchangeable Neural Networks},
author = {Jeffrey Chan and Valerio Perrone and Jeffrey P. Spence and Paul A. Jenkins and Sara Mathieson and Yun S. Song},
journal= {arXiv preprint arXiv:1802.06153},
year = {2018}
}
备注
9 pages, 8 figures