論文の概要: Amortized Bayesian Inference for Models of Cognition
- arxiv url: http://arxiv.org/abs/2005.03899v3
- Date: Mon, 13 Jul 2020 05:55:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 11:48:16.925941
- Title: Amortized Bayesian Inference for Models of Cognition
- Title(参考訳): 認知モデルに対するamortized bayesian inference
- Authors: Stefan T. Radev, Andreas Voss, Eva Marie Wieschen, Paul-Christian
B\"urkner
- Abstract要約: 専門的なニューラルネットワークアーキテクチャを用いたシミュレーションベース推論の最近の進歩は、ベイズ近似計算の多くの過去の問題を回避している。
本稿では,アモータイズされたベイズパラメータの推定とモデル比較について概説する。
- 参考スコア(独自算出の注目度): 0.1529342790344802
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: As models of cognition grow in complexity and number of parameters, Bayesian
inference with standard methods can become intractable, especially when the
data-generating model is of unknown analytic form. Recent advances in
simulation-based inference using specialized neural network architectures
circumvent many previous problems of approximate Bayesian computation.
Moreover, due to the properties of these special neural network estimators, the
effort of training the networks via simulations amortizes over subsequent
evaluations which can re-use the same network for multiple datasets and across
multiple researchers. However, these methods have been largely underutilized in
cognitive science and psychology so far, even though they are well suited for
tackling a wide variety of modeling problems. With this work, we provide a
general introduction to amortized Bayesian parameter estimation and model
comparison and demonstrate the applicability of the proposed methods on a
well-known class of intractable response-time models.
- Abstract(参考訳): 認知のモデルが複雑でパラメータの数が増えるにつれて、標準手法によるベイズ推論は、特にデータ生成モデルが未知の分析形式である場合、難解になる。
ニューラルネットワークアーキテクチャを用いたシミュレーションベース推論の最近の進歩は、近似ベイズ計算の多くの問題を回避している。
さらに、これらの特殊なニューラルネットワーク推定器の特性により、シミュレーションによるネットワークのトレーニング作業は、複数のデータセットと複数の研究者で同じネットワークを再利用可能な、その後の評価よりも改善される。
しかしながら、これらの手法は様々なモデリング問題に取り組むのに適しているにもかかわらず、これまで認知科学や心理学においてほとんど使われていなかった。
本研究は, ベイズパラメータ推定とモデル比較の一般導入と, 提案手法の適用性について, 難解応答時間モデルのよく知られたクラスに示すものである。
関連論文リスト
- Latent variable model for high-dimensional point process with structured
missingness [0.0]
縦断データは医療、社会学、地震学など多くの分野で重要である。
実世界のデータセットは高次元であり、構造化された欠陥パターンを含み、測定時間ポイントは未知のプロセスによって管理される。
これらの制限に対処可能な、柔軟で効率的な潜在変数モデルを提案する。
論文 参考訳(メタデータ) (2024-02-08T15:41:48Z) - On Least Squares Estimation in Softmax Gating Mixture of Experts [85.61224527426624]
決定論的MoEモデルに基づく最小二乗推定器(LSE)の性能について検討する。
我々は,多種多様な専門家関数の収束挙動を特徴付けるために,強い識別可能性という条件を確立する。
本研究は,専門家の選択に重要な意味を持つ。
論文 参考訳(メタデータ) (2024-02-05T12:31:18Z) - Statistical Deep Learning for Spatial and Spatio-Temporal Data [0.0]
本稿では,空間的・時間的データをモデル化するための統計的・機械学習的な視点について概観する。
次に、最近、潜在プロセス、データ、パラメータ仕様のために開発された様々なハイブリッドモデルに焦点を当てます。
これらのハイブリッドモデルは、モデリングパラダイムの強みを活用するために、モデリングアイデアとディープニューラルネットワークモデルを統合する。
論文 参考訳(メタデータ) (2022-06-05T16:49:10Z) - DeepBayes -- an estimator for parameter estimation in stochastic
nonlinear dynamical models [11.917949887615567]
本研究では,DeepBayes推定器を提案する。
ディープリカレントニューラルネットワークアーキテクチャはオフラインでトレーニングでき、推論中にかなりの時間を節約できる。
提案手法の異なる実例モデルへの適用性を実証し, 最先端手法との詳細な比較を行う。
論文 参考訳(メタデータ) (2022-05-04T18:12:17Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳(メタデータ) (2021-06-25T22:08:51Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳(メタデータ) (2021-06-17T17:26:31Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳(メタデータ) (2021-02-02T06:15:15Z) - Amortized Bayesian model comparison with evidential deep learning [0.12314765641075436]
本稿では,専門的なディープラーニングアーキテクチャを用いたベイズモデルの比較手法を提案する。
提案手法は純粋にシミュレーションベースであり,観測された各データセットに対して,すべての代替モデルを明示的に適合させるステップを回避している。
提案手法は,本研究で検討した事例に対して,精度,キャリブレーション,効率の点で優れた結果が得られることを示す。
論文 参考訳(メタデータ) (2020-04-22T15:15:46Z) - BayesFlow: Learning complex stochastic models with invertible neural
networks [3.1498833540989413]
可逆ニューラルネットワークに基づく世界規模のベイズ推定手法を提案する。
BayesFlowは、観測されたデータを最大情報的な要約統計に埋め込むよう訓練された要約ネットワークを組み込んでいる。
本研究では, 人口動態, 疫学, 認知科学, 生態学の難易度モデルに対するベイズフローの有用性を実証する。
論文 参考訳(メタデータ) (2020-03-13T13:39:31Z) - Forecasting Sequential Data using Consistent Koopman Autoencoders [52.209416711500005]
クープマン理論に関連する新しい物理学に基づく手法が導入された。
本稿では,既存の作業の多くと異なり,前方・後方のダイナミクスを生かした新しいコンシスタント・クープマン・オートエンコーダモデルを提案する。
このアプローチの鍵となるのは、一貫性のある力学と関連するクープマン作用素との相互作用を探索する新しい解析である。
論文 参考訳(メタデータ) (2020-03-04T18:24:30Z)
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。