基于贝叶斯主动学习的心脏电生理模型参数快速后验估计
机器学习
2021-10-14 v1
摘要
心脏电生理模型参数的概率估计是迈向模型个性化与不确定性量化的重要一步。然而，这些模型仿真所伴随的昂贵计算，使得直接对模型参数的后验概率密度函数 (pdf) 进行马尔可夫链蒙特卡洛 (MCMC) 采样在计算上极为密集。另一方面，用计算高效的代理模型替代仿真模型所得的后验 pdf 近似，其精度有限。在本文中，我们提出一种贝叶斯主动学习方法，直接近似心脏模型参数的后验 pdf 函数，其中我们智能地选择训练点来查询仿真模型，以使用少量样本学习后验 pdf。我们将生成模型集成到贝叶斯主动学习中，从而能够以心脏网格的分辨率近似高维模型参数的后验 pdf。我们进一步引入新的采集函数，将训练点的选择聚焦于更好地近似目标后验 pdf 的形状而非其模态。我们在一系列合成与真实数据实验中，于一个三维心脏电生理模型中评估了所提方法在组织兴奋性估计上的表现。我们证明了相较于使用常规采集函数的贝叶斯主动学习，其在近似后验 pdf 上的精度有所提升，并且与现有标准或加速 MCMC 采样相比，计算成本大幅降低。
引用
@article{arxiv.2110.06851,
title = {Fast Posterior Estimation of Cardiac Electrophysiological Model Parameters via Bayesian Active Learning},
author = {Md Shakil Zaman and Jwala Dhamala and Pradeep Bajracharya and John L. Sapp and B. Milan Horacek and Katherine C. Wu and Natalia A. Trayanova and Linwei Wang},
journal= {arXiv preprint arXiv:2110.06851},
year = {2021}
}