MCMC Methods for Parameter Inference in Structurally Nonidentifiable Models
本文提出了两种新型马尔可夫链蒙特卡罗方法，这些方法利用结构可识别性分析，旨在提高在处理具有结构不可识别性的常微分方程模型参数推断时，采样效率与收敛性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下你是一名试图破解谜团的侦探，但你手中的线索有点棘手。你正在观察一台正在进行复杂运作的机器，比如病毒在城市中的传播，或者试管中的化学反应。为了理解这台机器是如何运作的，你需要弄清楚它内部旋钮的设置——病毒传播的速度有多快、人们康复的速度有多快，或者化学物质混合的速度有多快。这就是数学建模的世界，科学家们利用方程来描述事物随时间变化的方式。通常情况下，如果你观察这台机器足够长的时间，你就能准确地弄清楚每一个旋钮是如何设置的。但有时，这台机器是个“骗子”。它有一个秘密：你可以将两个不同的旋钮向相反的方向转动，而机器的表现却完全一样。仅通过观察输出结果，你无法分辨出哪个旋钮对应哪个功能。在科学界，这被称为“结构性不可识别性”（structural non-identifiability）。这就像是仅仅通过知道午餐的总价，就试图猜出三明治的价格和饮料的价格；你知道总和，但如果没有更多信息，你就无法知道单个产品的价格。这给使用计算机来猜测这些设置的科学家们带来了巨大的问题。他们的计算机陷入了一个循环，原地打转，因为它们无法分辨哪一个方向才是“正确”的，从而导致结果缓慢且令人困惑。
这篇论文正是针对这一问题展开研究的。作者们——来自阿尔伯塔大学的研究人员——意识到，当这些“骗子”机器出现时，标准的计算机猜测方法（称为 MCMC）就像是一个人在试图通过走随机小碎步的方式，在迷雾缭绕的迷宫中穿行。他们会迷失方向，并且需要耗费极长的时间才能找到出口。该论文提出了两种更聪明的新方法，通过利用“诡计”本身的地图来进行导航。
第一种方法就像是赋予侦探一种特殊的“瞬间移动”能力。计算机不再只是迈出小碎步，而是学会了在那些看起来完全相同的“迷雾路径”上毫不费力地滑动。它可以从一个有效的设置瞬间跳转到另一个有效的设置，在进入新区域之前，先快速探索完整个迷宫。第二种方法更加高明：计算机不再试图一次性猜测每一个旋钮，而是首先猜测那些真正起作用的旋钮“组合”（比如午餐的总价）。一旦它确定了总额，它就会反向推导，进而猜出单个产品的价格。这把那个巨大且混乱的迷宫缩小成了一个更小、更容易解决的迷宫。
研究人员在两个现实场景中测试了这些新方法：一个关于流感样疾病传播的模型（SI 模型），以及一个关于 HIV 如何感染细胞的模型。在这两种情况下，标准的计算机方法都非常缓慢且容易卡住，需要尝试数千次才能得到一个像样的答案。然而，新方法表现得异常高效。在流感模型中，这种新的“伪边缘”（pseudo-marginal）方法寻找答案的效率极高，在旧方法仅能产生约 70 个有效猜测的时间内，它已经产生了超过 5,000 个有效的猜测。在 HIV 模型中，新方法能够探索出旧方法完全错过的那些“棘手”部分。这篇论文表明，通过理解一个模型究竟在哪些方面是“诡计多端”的，科学家们可以构建出更好的工具来解决它们，从而将一个令人沮丧、缓慢的过程转变为一个快速且可靠的过程。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。