Gradient estimators for parameter inference in discrete stochastic kinetic models
Die Studie zeigt, dass sich durch den Einsatz komplementärer Gradientenschätzer aus dem maschinellen Lernen die parametrische Inferenz für diskrete stochastische kinetische Modelle mittels des Gillespie-Algorithmus effektiv durchführen lässt, wobei der Gumbel-Softmax-Straight-Through-Schätzer zwar meist gut funktioniert, in herausfordernden Regimen jedoch durch die robusten Score-Function- und Alternative-Path-Schätzer ergänzt werden muss.