Markov Chain Monte Carlo Methods and Applications in Neuroscience

QC 2023-08-21

Abstract

En viktig uppgift inom hjärnmodellering är att uppskatta parametrar i modellen och kvantifiera deras osäkerhet. I denna avhandling hanterar vi detta problem från ett Bayesianskt perspektiv: vi använder experimentell data för att uppdatera a priori kunskap av modellparametrar, för att erhålla deras posteriori-fördelning. Osäkerhetskvantifiering (UQ) via direkt beräkning av posteriorfördelningen har en hög beräkningskostnad vid höga dimensioner. Ett alternativ till direkt beräkning ges av Markov chain Monte Carlo (MCMC) metoder.

Syftet med det här projektet är att analysera några MCMC metoder och förbättra deras konvergens. I denna avhandling beskriver vi följande MCMC algoritmer: “Metropolis-Hastings” (MH), “Metropolis adjusted Langevin” (MALA), “Simplified Manifold MALA” (smMALA) och “Approximate Bayesian Computation MCMC” (ABCMCMC).

SmMALA analyseras i artikel A. Där presenterar vi en algoritm för att approximera en nyckelkomponent av denna algoritm (Fisher informationen) när den tillämpas på ODE modeller i syfte att minska metodens beräkningskostnad.

En teoretisk analys av MCMC metoder behandlas i artikel B och bygger på verktyg från teorin av stora avvikelser. Mer specifikt, vi analyserar MH algoritmens konvergens genom att formulera och bevisa en stora avvikelser princip (LDP) för de empiriska mått som produceras av algoritmen.

Några av metoderna analyserade i den här avhandlingen har implementerats i ett R paket som finns på GitHub som “icpm-kth/uqsa” och presenteras i artikel C. Metoderna tillämpas på subcellulära vägmodeller inom neuroner i sammanhanget av osäkerhetskvantifieringen av modellparametrar.

urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-334400