論文の概要: Misspecification-robust likelihood-free inference in high dimensions
- arxiv url: http://arxiv.org/abs/2002.09377v3
- Date: Thu, 27 Apr 2023 12:37:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-28 18:05:46.209691
- Title: Misspecification-robust likelihood-free inference in high dimensions
- Title（参考訳）: 高次元におけるミス種別-ロバスト確率自由推論
- Authors: Owen Thomas, Raquel S\'a-Le\~ao, Herm\'inia de Lencastre, Samuel
Kaski, Jukka Corander, Henri Pesonen
- Abstract要約: 本稿では,ベイズ最適化に基づく近似離散関数の確率的手法による拡張を提案する。
提案手法は,高次元パラメータ空間に対する計算スケーラビリティを,各パラメータの別個の取得関数と相違点を用いて達成する。
本手法は,100次元空間における標準例による計算効率のよい推論を成功させ,既存のモジュール化ABC法と比較した。
- 参考スコア（独自算出の注目度）: 9.514562526751481
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Likelihood-free inference for simulator-based statistical models has
developed rapidly from its infancy to a useful tool for practitioners. However,
models with more than a handful of parameters still generally remain a
challenge for the Approximate Bayesian Computation (ABC) based inference. To
advance the possibilities for performing likelihood-free inference in higher
dimensional parameter spaces, we introduce an extension of the popular Bayesian
optimisation based approach to approximate discrepancy functions in a
probabilistic manner which lends itself to an efficient exploration of the
parameter space. Our approach achieves computational scalability for higher
dimensional parameter spaces by using separate acquisition functions and
discrepancies for each parameter. The efficient additive acquisition structure
is combined with exponentiated loss -likelihood to provide a
misspecification-robust characterisation of the marginal posterior distribution
for all model parameters. The method successfully performs computationally
efficient inference in a 100-dimensional space on canonical examples and
compares favourably to existing modularised ABC methods. We further illustrate
the potential of this approach by fitting a bacterial transmission dynamics
model to a real data set, which provides biologically coherent results on
strain competition in a 30-dimensional parameter space.
- Abstract（参考訳）: シミュレータに基づく統計モデルの確率的推論は、その初期段階から実践者にとって有用なツールへと急速に発展してきた。
しかし、一握り以上のパラメータを持つモデルは、一般に近似ベイズ計算(abc)に基づく推論の課題として残されている。
高次元のパラメータ空間において確率的推論を行う可能性を高めるため,パラメータ空間の効率的な探索を可能にする確率論的手法として,一般のベイズ最適化に基づく近似偏差関数の拡張を提案する。
本手法は,各パラメータの分離獲得関数と不一致を用いて,高次元パラメータ空間の計算スケーラビリティを実現する。
効率の良い添加物獲得構造と指数損失-類似性とを組み合わせることにより、全モデルパラメータの辺縁後方分布の誤特定-乱れ特性を与える。
本手法は,100次元空間における標準例による計算効率のよい推論を実現し,既存のABC法と比較した。
さらに,30次元パラメータ空間におけるひずみ競合に関する生物学的コヒーレントな結果を提供する実データ集合に細菌の伝達力学モデルを適用することにより,このアプローチの可能性を示す。
関連論文リスト
- Variational Bayesian surrogate modelling with application to robust design optimisation [0.9626666671366836]
サロゲートモデルは複雑な計算モデルに対して素早く評価できる近似を提供する。
入力の不確かさと次元減少を伴う統計的代理を構築するためのベイズ推定について考察する。
コスト関数がモデル出力の平均および標準偏差の重み付け和に依存するような本質的で頑健な構造最適化問題を示す。
論文 参考訳（メタデータ） (2024-04-23T09:22:35Z) - Nonparametric Automatic Differentiation Variational Inference with
Spline Approximation [7.5620760132717795]
複雑な構造を持つ分布に対するフレキシブルな後続近似を可能にする非パラメトリック近似法を開発した。
広く使われている非パラメトリック推論手法と比較して,提案手法は実装が容易であり,様々なデータ構造に適応する。
実験では, 複雑な後続分布の近似における提案手法の有効性を実証し, 不完全データを用いた生成モデルの性能向上を図った。
論文 参考訳（メタデータ） (2024-03-10T20:22:06Z) - Should We Learn Most Likely Functions or Parameters? [51.133793272222874]
モデルとデータによって示唆される最も可能性の高い関数を直接推定する利点と欠点について検討する。
関数空間MAP推定は, より平坦な最小化, 一般化, オーバーフィッティングの改善につながる可能性がある。
論文 参考訳（メタデータ） (2023-11-27T16:39:55Z) - A Metaheuristic for Amortized Search in High-Dimensional Parameter
Spaces [0.0]
本稿では,特徴インフォームド変換から次元還元を実現するメタヒューリスティックを提案する。
DR-FFITは、高次元空間における勾配自由パラメータ探索を容易にする効率的なサンプリング戦略を実装している。
実験データから,DR-FFITは,確立したメタヒューリスティックスに対するランダム検索とシミュレート・アニーリングの性能を向上させることが示された。
論文 参考訳（メタデータ） (2023-09-28T14:25:14Z) - Robust probabilistic inference via a constrained transport metric [8.85031165304586]
我々は、パラメトリックな分布の族の近くに集中するように慎重に設計された指数関数的に傾いた経験的確に構築することで、新しい代替手段を提供する。
提案手法は,多種多様なロバストな推論問題に応用し,中心分布に付随するパラメータを推論する。
我々は,最先端の頑健なベイズ推論手法と比較した場合,提案手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-03-17T16:10:06Z) - Sparse high-dimensional linear regression with a partitioned empirical
Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。
パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。
提案手法はRパッケージプローブに実装されている。
論文 参考訳（メタデータ） (2022-09-16T19:15:50Z) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳（メタデータ） (2021-06-03T12:59:16Z) - High-Dimensional Bayesian Optimization with Sparse Axis-Aligned
Subspaces [14.03847432040056]
スパース軸整列部分空間上で定義される代理モデルは、柔軟性とパーシモニーの間に魅力的な妥協をもたらすと我々は主張する。
提案手法は,ハミルトニアンモンテカルロを推論に用い,未知の目的関数のモデル化に関連するスパース部分空間を迅速に同定できることを実証する。
論文 参考訳（メタデータ） (2021-02-27T23:06:24Z) - Intrinsic Dimensionality Explains the Effectiveness of Language Model
Fine-Tuning [52.624194343095304]
我々は、内在次元のレンズを通して微調整を分析することは、経験的および理論的直観をもたらすと論じる。
実験により、一般的な事前学習モデルは本質的な次元が極めて低いことを示す。
論文 参考訳（メタデータ） (2020-12-22T07:42:30Z) - Slice Sampling for General Completely Random Measures [74.24975039689893]
本稿では, 後続推定のためのマルコフ連鎖モンテカルロアルゴリズムについて, 補助スライス変数を用いてトランケーションレベルを適応的に設定する。
提案アルゴリズムの有効性は、いくつかの一般的な非パラメトリックモデルで評価される。
論文 参考訳（メタデータ） (2020-06-24T17:53:53Z) - Asymptotic Analysis of an Ensemble of Randomly Projected Linear
Discriminants [94.46276668068327]
[1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。
我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。
また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
論文 参考訳（メタデータ） (2020-04-17T12:47:04Z)
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。