分层与非线性动力系统的高效摊销贝叶斯推断
机器学习
2019-10-03 v2 机器学习
摘要
我们引入一种灵活、可扩展的贝叶斯推断框架，用于具有个体、群体和种群层面显著分层变异性的非线性动力系统。我们的模型类是非线性混合效应(NLME)动力系统的推广，后者是许多实验科学的统计主力。我们将参数推断构建为端到端可微分的块条件变分自编码器的随机优化。我们将数据生成过程的动力学指定为常微分方程(ODE)，使得ODE及其求解器完全可微。该模型类高度灵活：ODE右侧可以是用户指定或“白盒”子组件与神经网络或“黑盒”子组件的混合。利用随机优化，我们的摊销推断算法可无缝扩展至大规模数据收集流水线（常见于具备机器人自动化的实验室）。最后，我们的框架支持对底层动力学的可解释性，以及对未见群体组件组合（亦称“零样本”学习）的预测泛化。我们通过预测经基因工程改造用作生物传感器的细菌的动态行为，对我们的方法进行了实证验证。该框架的实现、数据集以及复现实验结果的所有代码可在 https://www.github.com/Microsoft/vi-hds 获取。
引用
@article{arxiv.1905.12090,
title = {Efficient Amortised Bayesian Inference for Hierarchical and Nonlinear Dynamical Systems},
author = {Geoffrey Roeder and Paul K. Grant and Andrew Phillips and Neil Dalchau and Edward Meeds},
journal= {arXiv preprint arXiv:1905.12090},
year = {2019}
}
备注
Published in "Proceedings of Machine Learning Research, Volume 97: International Conference on Machine Learning, 9-15 June 2019, Long Beach, California, USA"