BayCANN：利用人工神经网络元建模简化贝叶斯校准
统计方法学
2020-10-27 v1 统计计算
机器学习
摘要
目的：贝叶斯校准在理论上优于标准直接搜索算法，因其能揭示校准参数的完整联合后验分布。然而迄今，由于实践与计算负担，贝叶斯校准在健康决策科学中并未常被使用。本文中我们提议使用人工神经网络（ANN）作为应对这些局限的一种方案。方法：利用人工神经网络的贝叶斯校准（BayCANN）包含（1）在模型输入与输出的样本上训练一个ANN元模型，以及（2）随后在概率编程语言中校准训练好的ANN元模型而非完整模型，以获得校准参数的后验联合分布。我们通过将结直肠癌自然史模型校准至腺瘤患病率与癌症发病率数据来演示BayCANN。此外，我们将BayCANN的效率与准确度，与在仿真模型上直接使用增量混合重要性采样（IMIS）算法进行贝叶斯校准相比较。结果：在恢复“真实”参数值方面，BayCANN总体上比IMIS更准确。对于九个校准参数中的八个，其ANN偏离真值相较于IMIS的绝对比值小于一，表明BayCANN比IMIS更准确。此外，BayCANN总计耗时约15分钟，而IMIS方法耗时80分钟。结论：在我们的案例研究中，BayCANN比IMIS更准确且快五倍。由于BayCANN不依赖于仿真模型的结构，它可用极少的结构改动适配于各种复杂程度的模型。我们提供了BayCANN在R中的开源实现。
引用
@article{arxiv.2010.13452,
title = {BayCANN: Streamlining Bayesian Calibration with Artificial Neural Network Metamodeling},
author = {Hawre Jalal and Fernando Alarid-Escudero},
journal= {arXiv preprint arXiv:2010.13452},
year = {2020}
}