POPE: 无似然模型的优化后验评估
机器学习
2014-12-10 v1 定量方法
摘要
在许多领域，科学家构建自然现象的复杂模拟器，以编码其关于潜在过程的假设。这些模拟器可以是确定性或随机性、快速或缓慢、有约束或无约束，等等。针对一组参数值优化模拟器是常见做法，从而产生在约束下使目标最小化的单一参数设置。我们提出一种优化后验分析，计算并可视化所有能在约束下产生同样好或更好模拟结果的模型。这些优化后验因诸多原因而备受青睐，其中包括易于解释性、自动参数敏感性与相关性分析以及后验预测分析。我们基于具有单侧核的近似贝叶斯计算 (ABC) 开发了新的采样框架。我们与两组科学家合作，将 POPE 应用于两个重要的生物模拟器：一个快速随机的干细胞周期模拟器和一个缓慢确定性的肿瘤生长模式模拟器。
引用
@article{arxiv.1412.3051,
title = {POPE: Post Optimization Posterior Evaluation of Likelihood Free Models},
author = {Edward Meeds and Michael Chiang and Mary Lee and Olivier Cinquin and John Lowengrub and Max Welling},
journal= {arXiv preprint arXiv:1412.3051},
year = {2014}
}