論文の概要: Stochastic Variational Bayesian Inference for a Nonlinear Forward Model
- arxiv url: http://arxiv.org/abs/2007.01675v1
- Date: Fri, 3 Jul 2020 13:30:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 06:03:28.001310
- Title: Stochastic Variational Bayesian Inference for a Nonlinear Forward Model
- Title(参考訳): 非線形フォワードモデルに対する確率的変分ベイズ推論
- Authors: Michael A. Chappell, Martin S. Craig, Mark W. Woolrich
- Abstract要約: 変分ベイズ(VB)は、データから非線形モデルの文脈における後部分布の計算を容易にするために用いられる。
以前は、加法ガウス雑音を伴うデータに対する非線形モデル推論のために、VBの分析的定式化が導出されてきた。
ここでは、解析的定式化に必要な近似の一部を回避した解が導出される。
- 参考スコア(独自算出の注目度): 2.578242050187029
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Variational Bayes (VB) has been used to facilitate the calculation of the
posterior distribution in the context of Bayesian inference of the parameters
of nonlinear models from data. Previously an analytical formulation of VB has
been derived for nonlinear model inference on data with additive gaussian noise
as an alternative to nonlinear least squares. Here a stochastic solution is
derived that avoids some of the approximations required of the analytical
formulation, offering a solution that can be more flexibly deployed for
nonlinear model inference problems. The stochastic VB solution was used for
inference on a biexponential toy case and the algorithmic parameter space
explored, before being deployed on real data from a magnetic resonance imaging
study of perfusion. The new method was found to achieve comparable parameter
recovery to the analytic solution and be competitive in terms of computational
speed despite being reliant on sampling.
- Abstract(参考訳): 変分ベイズ(vb)は、データから非線形モデルのパラメータのベイズ推定の文脈における後続分布の計算を容易にするために用いられる。
これまでvbの解析的定式化は、非線形最小二乗の代替としてガウス雑音を付加したデータに対する非線形モデル推論のために導出されてきた。
ここで、解析的定式化に必要な近似のいくつかを避ける確率解が導出され、非線形モデル推論問題に対してより柔軟に展開できる解を提供する。
確率的VB溶液は、双経験的玩具ケースとアルゴリズムパラメータ空間の推論に用いられ、その後、磁気共鳴画像による灌流の研究から実データに展開された。
新たな手法は, 解析解と同等のパラメータ回復を達成し, サンプリングに依存するにもかかわらず, 計算速度の面での競合性を示した。
関連論文リスト
- Diffusion models for probabilistic programming [56.47577824219207]
拡散モデル変分推論(DMVI)は確率型プログラミング言語(PPL)における自動近似推論手法である
DMVIは実装が容易で、例えば正規化フローを用いた変分推論の欠点を伴わずに、PPLでヘイズルフリー推論が可能であり、基礎となるニューラルネットワークモデルに制約を課さない。
論文 参考訳(メタデータ) (2023-11-01T12:17:05Z) - Calibrating Neural Simulation-Based Inference with Differentiable
Coverage Probability [50.44439018155837]
ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。
古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。
既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
論文 参考訳(メタデータ) (2023-10-20T10:20:45Z) - Selective Nonparametric Regression via Testing [54.20569354303575]
本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。
既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
論文 参考訳(メタデータ) (2023-09-28T13:04:11Z) - A probabilistic, data-driven closure model for RANS simulations with
aleatoric, model uncertainty [3.8073142980733]
本稿では,レノルズ平均Navier-Stokes (RANS) シミュレーションのためのデータ駆動閉包モデルを提案する。
パラメトリック閉包が不十分な問題領域内の領域を特定するために,完全ベイズ的定式化と余剰誘導先行法を組み合わせて提案する。
論文 参考訳(メタデータ) (2023-07-05T16:53:31Z) - Variational Nonlinear Kalman Filtering with Unknown Process Noise
Covariance [24.23243651301339]
本稿では,近似ベイズ推定原理に基づく非線形状態推定とモデルパラメータの同定手法を提案する。
シミュレーションおよび実世界のデータを用いて,レーダ目標追尾法の性能を検証した。
論文 参考訳(メタデータ) (2023-05-06T03:34:39Z) - Multielement polynomial chaos Kriging-based metamodelling for Bayesian
inference of non-smooth systems [0.0]
本稿では,高非線形工学モデルのベイズパラメータ推定のための領域分割に基づく代理モデリング手法を提案する。
開発されたサロゲートモデルは、入力空間の非重複の有限集合上に構築された局所ポリノミアルカオスに基づくクリギングメタモデルの配列を断片的に関数として結合する。
提案手法の有効性と精度は,解析的ベンチマークと数値的ケーススタディを含む2つのケーススタディを通じて検証される。
論文 参考訳(メタデータ) (2022-12-05T13:22:39Z) - Bayesian Spline Learning for Equation Discovery of Nonlinear Dynamics
with Quantified Uncertainty [8.815974147041048]
本研究では,非線形(時空間)力学の擬似的支配方程式を,定量化された不確実性を伴うスパースノイズデータから同定する枠組みを開発した。
提案アルゴリズムは、正準常微分方程式と偏微分方程式によって制御される複数の非線形力学系に対して評価される。
論文 参考訳(メタデータ) (2022-10-14T20:37:36Z) - A Variational Inference Approach to Inverse Problems with Gamma
Hyperpriors [60.489902135153415]
本稿では,ガンマハイパープライヤを用いた階層的逆問題に対する変分反復交替方式を提案する。
提案した変分推論手法は正確な再構成を行い、意味のある不確実な定量化を提供し、実装が容易である。
論文 参考訳(メタデータ) (2021-11-26T06:33:29Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳(メタデータ) (2021-11-15T09:08:27Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z)
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。