Variational Phylogenetic Inference with Products Over Bipartitions
Bayesian phylogenetics requires accurate and efficient approximation of posterior distributions over trees. In this work, we develop a variational Bayesian approach for ultrametric phylogenetic trees. We present a novel variational family based on coalescent times of a single-linkage clustering and derive a closed-form density of the resulting distribution over trees. Unlike existing methods for ultrametric trees, our method performs inference over all of tree space, it does not require any Markov chain Monte Carlo subroutines, and our variational family is differentiable. Through experiments on benchmark genomic datasets and an application to SARS-CoV-2, we demonstrate that our method achieves competitive accuracy while requiring significantly fewer gradient evaluations than existing state-of-the-art techniques.
Inférence phylogénétique variationnelle avec des produits sur des bipartitions
La phylogénétique bayésienne nécessite une approximation précise et efficace des distributions a posteriori sur les arbres. Dans ce travail, nous développons une approche bayésienne variationnelle pour les arbres phylogénétiques ultramétriques. Nous présentons une nouvelle famille variationnelle basée sur les temps de coalescence d'un regroupement à lien unique et dérivons une densité de forme fermée de la distribution résultante sur les arbres. Contrairement aux méthodes existantes pour les arbres ultramétriques, notre méthode effectue l'inférence sur l'ensemble de l'espace des arbres, elle ne nécessite pas de sous-programmes de Monte-Carlo à chaîne de Markov et notre famille variationnelle est différentiable. Grâce à des expériences sur des ensembles de données génomiques de référence et une application au SARS-CoV-2, nous démontrons que notre méthode atteint une précision compétitive tout en nécessitant beaucoup moins d'évaluations de gradient que les techniques de pointe existantes.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais