Anschlussprojekte | Sonderprojekte

Förderbeginn 01.01.2019

Skalierbare probabilistische Inferenz für mechanistische dynamische Modelle

Prof. Dr. Jakob Macke
Technische Universität München
Fakultät für Elektrotechnik und Informationstechnik

Ph.D. Scott Lindermann
Stanford University
Department of Statistics


Viele Systeme in den Ingenieur-, Natur-, Sozial- und Wirtschaftswissenschaften lassen sich am besten durch hochdimensionale und nichtlineare dynamische Systeme beschreiben, die sich aus Wissen über die dem daten-generierenden Prozess zugrunde liegenden Mechanismen ableiten. Es ist oft schwierig, die Parameter und Zustände solcher mechanistischer Modelle aus unvollständigen, verrauschten Beobachtungen zu schätzen. In der Neuroprothetik muss man beispielsweise den Zusammenhang zwischen der neuronalen Aktivität im Gehirn und den von ihm erzeugten Bewegungen beschreiben; dieser Zusammenhang ist sehr dynamisch und muss aus verrauschten elektrophysiologischen Messungen geschätzt werden. Die Bayes'sche Inferenz bietet allgemeine Ansätze zum Schätzen der Parameter und latenten Zustände dynamischer Modelle. Wir werden uns zwei zentralen Herausforderungen stellen: Wir werden die Techniken der Bayesschen Variations-Inferenz für die nichtlineare Dynamik auf hochdimensionale Beobachtungen anwendbar machen, sowie auf Modelle, die implizit durch Simulatoren definiert werden. Unsere Techniken werden allgemeiner anwendbar sein, aber wir werden sie mit Fokus auf Anwendungen in der Neuroprothetik untersuchen.