Efficient accurate and robust statistical inference for deterministic and stochastic models of biochemical systems

Schälte, Yannik

Yannik Schälte

If you experience problems opening the document, please try this link.

Original title:: Efficient accurate and robust statistical inference for deterministic and stochastic models of biochemical systems
Translated title:: Effiziente akkurate und robuste statistische Inferenz für deterministische und stochastische Modelle biochemischer Systeme
Author:: Schälte, Yannik
Year:: 2022
Document type:: Dissertation
Faculty/School:: Fakultät für Mathematik
Advisor:: Hasenauer, Jan (Prof. Dr.)
Referee:: Hasenauer, Jan (Prof. Dr.); Kaltenbacher, Barbara (Prof. Dr.); Stumpf, Michael (Prof. Dr.)
Language:: en
Subject group:: MAT Mathematik
Keywords:: efficient, accurate, robust, scalable, ODE, ABC, noise, likelihood-free
Translated keywords:: effizient, akkurat, robust, skalierbar, ODE, ABC, Messrauschen, Likelihood-frei
TUM classification:: BIO 110; MAT 022
Abstract:: We develop efficient, accurate, robust parameter inference methods for large-scale ODE models and for ABC. Firstly, we develop an ODE adjoint hierarchical optimization method. Secondly, turning to ABC, we develop an efficient method for exact likelihood-free inference under measurement noise. Thirdly, we develop an adaptive ABC distance robust to data outliers. Fourthly, we develop an ABC distance weighting scheme using regression models to account for data informativeness.
Translated abstract:: Wir entwickeln effiziente, akkurate, robuste Parameterinferenzmethoden für ODE-Modelle und ABC. Erstens entwickeln wir einen adjungiert-hierarchischen ODE-Optimierungsansatz. Zweitens entwickeln wir eine effiziente Methode für Likelihood-freie Inferenz unter Messrauschen. Drittens entwickeln wir eine Ausreißer-robuste adaptive ABC-Distanz. Viertens entwickeln wir ein ABC-Distanzgewichtungsschema, welches mittels Regressionsmodellen Informativität von Daten berücksichtigt.
WWW:: https://mediatum.ub.tum.de/?id=1625172
Date of submission:: 27.09.2021
Oral examination:: 01.06.2022
File size:: 4826052 bytes
Pages:: 148
Urn (citeable URL):: https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20220601-1625172-1-1
Last change:: 28.07.2022
BibTeX