科学模拟器中模型与参数的同步辨识
机器学习
2024-05-31 v3
摘要
许多科学模型由多个离散组件构成，科学家常启发式地决定纳入哪些组件。贝叶斯推断为系统选择模型组件提供了数学框架，但定义组件上的先验分布并发展相应推断方案一直具挑战性。我们在基于模拟的推断框架中处理此问题：我们定义候选组件上的模型先验，并从模型模拟中训练神经网络以推断模型组件及其关联参数的联合概率分布。我们的方法——基于模拟的模型推断（SBMI）——将组件上的分布表示为Grassmann形式下多元二元分布的条件混合。SBMI可应用于任意组合随机模拟器，无需似然评估。我们在简单时间序列模型及两个神经科学科学模型上评估SBMI，表明其能发现多个与数据一致的模型配置，并揭示不可辨识的模型组件与参数。SBMI为数据驱动科学探究提供了有力工具，使科学家能辨识本质模型组件并作出含不确定性的建模决策。
引用
@article{arxiv.2305.15174,
title = {Simultaneous identification of models and parameters of scientific simulators},
author = {Cornelius Schröder and Jakob H. Macke},
journal= {arXiv preprint arXiv:2305.15174},
year = {2024}
}