固定景观推断方法 (flimo)：一种近似贝叶斯计算的多功能替代方案，速度提升数个数量级
统计方法学
2023-09-12 v5 定量方法
摘要
生物学中的建模必须适应日益复杂和庞大的数据。因此，用于估计模型参数的推断算法的效率受到质疑。其中许多算法基于随机优化过程，需要大量的计算时间。我们介绍了固定景观推断方法 (Fixed Landscape Inference MethOd, flimo)，这是一种针对连续状态空间随机模型的新型无似然推断方法。它应用基于确定性梯度的优化算法来获得参数的点估计，根据某些规定的概要统计量最小化数据与一些模拟之间的差异。从这个意义上说，它类似于近似贝叶斯计算 (Approximate Bayesian Computation, ABC)。与 ABC 一样，它也可以提供参数分布的近似。我们提出了三个应用：一个常用的理论例子，即 g-and-k 分布的参数推断；一个群体遗传学问题，看似简单实则不然，即由 Wright-Fisher 模型中的时间序列推断选择值；以及来自代表混沌种群动态的 Ricker 模型的模拟。在前两个应用中，尽管精度相当，但结果表明与其他方法相比，推断阶段所需的计算时间大幅减少。即使在使用基于似然的方法可行时，flimo 的简单性和高效性也使其成为引人注目的替代方案。Julia 和 R 的实现可在 https://metabarcoding.org/flimo 获取。要运行 flimo，用户只需能够根据所选模型模拟数据。
引用
@article{arxiv.2210.06520,
title = {The Fixed Landscape Inference MethOd (flimo): a versatile alternative to Approximate Bayesian Computation, faster by several orders of magnitude},
author = {Sylvain Moinard and Edouard Oudet and Didier Piau and Eric Coissac and Christelle Gonindard-Melodelima},
journal= {arXiv preprint arXiv:2210.06520},
year = {2023}
}