論文の概要: Differentiable Likelihoods for Fast Inversion of 'Likelihood-Free'
Dynamical Systems
- arxiv url: http://arxiv.org/abs/2002.09301v2
- Date: Mon, 29 Jun 2020 18:06:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 01:19:52.562899
- Title: Differentiable Likelihoods for Fast Inversion of 'Likelihood-Free'
Dynamical Systems
- Title(参考訳): 力学系の高速インバージョンのための微分可能相
- Authors: Hans Kersting, Nicholas Kr\"amer, Martin Schiegg, Christian Daniel,
Michael Tiemann, Philipp Hennig
- Abstract要約: Likelihood-free(シミュレーションベース)推論問題(英: Inference problem)は、高価な、または難解なフォワードモデルによる逆問題である。
局所ガウス近似を用いて、(log-) 様の勾配とヘシアンに対するトラクタブルな推定器を構築することができる。
これらの手法が3つのベンチマークシステムにおいて標準確率自由アプローチより優れていることを示す。
- 参考スコア(独自算出の注目度): 25.295099390518228
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Likelihood-free (a.k.a. simulation-based) inference problems are inverse
problems with expensive, or intractable, forward models. ODE inverse problems
are commonly treated as likelihood-free, as their forward map has to be
numerically approximated by an ODE solver. This, however, is not a fundamental
constraint but just a lack of functionality in classic ODE solvers, which do
not return a likelihood but a point estimate. To address this shortcoming, we
employ Gaussian ODE filtering (a probabilistic numerical method for ODEs) to
construct a local Gaussian approximation to the likelihood. This approximation
yields tractable estimators for the gradient and Hessian of the
(log-)likelihood. Insertion of these estimators into existing gradient-based
optimization and sampling methods engenders new solvers for ODE inverse
problems. We demonstrate that these methods outperform standard likelihood-free
approaches on three benchmark-systems.
- Abstract(参考訳): Likelihood-free(シミュレーションベース)推論問題は、高価な、または難解なフォワードモデルで逆問題である。
ODE逆問題は通常、その前方マップをODEソルバで数値的に近似する必要があるため、可能性のないものとして扱われる。
しかし、これは基本的な制約ではなく、従来の ode ソルバにおける機能の欠如であり、確率ではなく点推定を返すものではない。
この欠点に対処するために、我々はガウス的ODEフィルタリング(ODEの確率的数値法)を用いて局所ガウス近似を構築する。
この近似は、(log-) 様の勾配とヘシアンに対するトラクタブルな推定値をもたらす。
既存の勾配に基づく最適化とサンプリング手法へのこれらの推定器の導入により、ODE逆問題に対する新しい解法が導かれる。
これらの手法が3つのベンチマークシステムにおいて標準確率自由アプローチより優れていることを示す。
関連論文リスト
- A Pseudo-Semantic Loss for Autoregressive Models with Logical
Constraints [87.08677547257733]
ニューロシンボリックAIは、純粋にシンボリックな学習とニューラルな学習のギャップを埋める。
本稿では,ニューラルネットワークの出力分布に対するシンボリック制約の可能性を最大化する方法を示す。
また,スドクと最短経路予測の手法を自己回帰世代として評価した。
論文 参考訳(メタデータ) (2023-12-06T20:58:07Z) - Model-Based Reparameterization Policy Gradient Methods: Theory and
Practical Algorithms [88.74308282658133]
Reization (RP) Policy Gradient Methods (PGM) は、ロボット工学やコンピュータグラフィックスにおける連続的な制御タスクに広く採用されている。
近年の研究では、長期強化学習問題に適用した場合、モデルベースRP PGMはカオス的かつ非滑らかな最適化環境を経験する可能性があることが示されている。
本稿では,長期モデルアンロールによる爆発的分散問題を緩和するスペクトル正規化法を提案する。
論文 参考訳(メタデータ) (2023-10-30T18:43:21Z) - Predicting Ordinary Differential Equations with Transformers [65.07437364102931]
単一溶液軌道の不規則サンプリングおよび雑音観測から,スカラー常微分方程式(ODE)を記号形式で復元するトランスフォーマーに基づくシーケンス・ツー・シーケンス・モデルを開発した。
提案手法は, 1回に一度, ODE の大規模な事前訓練を行った後, モデルのいくつかの前方通過において, 新たな観測解の法則を推測することができる。
論文 参考訳(メタデータ) (2023-07-24T08:46:12Z) - Data-Adaptive Probabilistic Likelihood Approximation for Ordinary
Differential Equations [0.0]
本稿では,パラメータ感度を劇的に低減できる新しい確率的ODE近似,DALTONを提案する。
我々の近似は、ODE変数と時間離散化点の両方で線形にスケールし、部分的に観測されていない成分と非ガウス測度モデルの両方を持つODEに適用できる。
論文 参考訳(メタデータ) (2023-06-08T21:18:25Z) - Error Bounds for Flow Matching Methods [38.9898500163582]
フローマッチング法は、2つの任意の確率分布間のフローを近似する。
近似誤差に$L2$の値とデータ分布に一定の規則性を仮定し, 完全に決定論的サンプリングを用いたフローマッチング手順の誤差境界を提案する。
論文 参考訳(メタデータ) (2023-05-26T12:13:53Z) - Improved Techniques for Maximum Likelihood Estimation for Diffusion ODEs [23.030972042695275]
拡散ODEの最大誤差推定のためのいくつかの改良手法を提案する。
トレーニングのために,速度パラメータ化を提案し,より高速な収束のための分散低減手法を探索する。
評価のために,拡散 ODE に存在する訓練・評価のギャップを埋めるために,新しい訓練自由トラクト正規化法を提案する。
論文 参考訳(メタデータ) (2023-05-06T05:21:24Z) - Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。
提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文 参考訳(メタデータ) (2023-04-10T17:54:38Z) - An application of the splitting-up method for the computation of a
neural network representation for the solution for the filtering equations [68.8204255655161]
フィルタ方程式は、数値天気予報、金融、工学など、多くの現実の応用において中心的な役割を果たす。
フィルタリング方程式の解を近似する古典的なアプローチの1つは、分割法と呼ばれるPDEにインスパイアされた方法を使うことである。
我々はこの手法をニューラルネットワーク表現と組み合わせて、信号プロセスの非正規化条件分布の近似を生成する。
論文 参考訳(メタデータ) (2022-01-10T11:01:36Z) - A Probabilistic State Space Model for Joint Inference from Differential
Equations and Data [23.449725313605835]
ベイズフィルタを用いて解過程を直接句する常微分方程式 (odes) の解法の新しいクラスを示す。
その後、拡張カルマンフィルタの単一の線形複雑化パスにおいて、潜力とODE溶液のベイズ推定を近似することができるようになる。
本研究では,covid-19流行データに基づく非パラメトリックsirdモデルを訓練することにより,アルゴリズムの表現力と性能を示す。
論文 参考訳(メタデータ) (2021-03-18T10:36:09Z) - Meta-Solver for Neural Ordinary Differential Equations [77.8918415523446]
本研究では,ソルバ空間の変動がニューラルODEの性能を向上する方法について検討する。
解法パラメータ化の正しい選択は, 敵の攻撃に対するロバスト性の観点から, 神経odesモデルに大きな影響を与える可能性がある。
論文 参考訳(メタデータ) (2021-03-15T17:26:34Z) - Stable Implementation of Probabilistic ODE Solvers [27.70274403550477]
常微分方程式(odes)の確率的解法は、数値の不確かさの効率的な定量化をもたらす。
それらは高い順序でまたは小さいステップ サイズと動くとき数値不安定に苦しみます。
本研究は,この問題に対する解決策を提案し,検討する。
正確な初期化、数値安定性をステップサイズ非依存にする座標変更事前条件、平方根実装の3つのコンポーネントを含んでいる。
論文 参考訳(メタデータ) (2020-12-18T08:35:36Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。