論文の概要: SBI -- A toolkit for simulation-based inference

• arxiv url: http://arxiv.org/abs/2007.09114v2
• Date: Wed, 22 Jul 2020 15:43:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 13:30:39.742453
• Title: SBI -- A toolkit for simulation-based inference
• Title（参考訳）: SBI -- シミュレーションベースの推論ツールキット
• Authors: Alvaro Tejero-Cantero (1), Jan Boelts (1), Michael Deistler (1), Jan-Matthis Lueckmann (1), Conor Durkan (2), Pedro J. Gon\c{c}alves (1, 3), David S. Greenberg (1, 4) and Jakob H. Macke (1, 5, 6) ((1) Computational Neuroengineering, Department of Electrical and Computer Engineering, Technical University of Munich, (2) School of Informatics, University of Edinburgh, (3) Neural Systems Analysis, Center of Advanced European Studies and Research (caesar), Bonn, (4) Model-Driven Machine Learning, Centre for Materials and Coastal Research, Helmholtz-Zentrum Geesthacht, (5) Machine Learning in Science, University of T\"ubingen, (6) Empirical Inference, Max Planck Institute for Intelligent Systems, T\"ubingen)
• Abstract要約: シミュレーションベースの推論 (SBI) は、a) が先行知識と互換性があり、b) が経験的観察と一致するパラメータ集合を識別しようとする。 ニューラルネットワークに基づくSBIアルゴリズムを実装したPyTorchベースのパッケージであるtextttsbi$を提示する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Scientists and engineers employ stochastic numerical simulators to model empirically observed phenomena. In contrast to purely statistical models, simulators express scientific principles that provide powerful inductive biases, improve generalization to new data or scenarios and allow for fewer, more interpretable and domain-relevant parameters. Despite these advantages, tuning a simulator's parameters so that its outputs match data is challenging. Simulation-based inference (SBI) seeks to identify parameter sets that a) are compatible with prior knowledge and b) match empirical observations. Importantly, SBI does not seek to recover a single 'best' data-compatible parameter set, but rather to identify all high probability regions of parameter space that explain observed data, and thereby to quantify parameter uncertainty. In Bayesian terminology, SBI aims to retrieve the posterior distribution over the parameters of interest. In contrast to conventional Bayesian inference, SBI is also applicable when one can run model simulations, but no formula or algorithm exists for evaluating the probability of data given parameters, i.e. the likelihood. We present $\texttt{sbi}$, a PyTorch-based package that implements SBI algorithms based on neural networks. $\texttt{sbi}$ facilitates inference on black-box simulators for practising scientists and engineers by providing a unified interface to state-of-the-art algorithms together with documentation and tutorials.
• Abstract（参考訳）: 科学者や技術者は確率的数値シミュレータを使って経験的に観測された現象をモデル化する。 純粋に統計的モデルとは対照的に、シミュレーターは強力な帰納バイアスを与える科学的原理を表現し、新しいデータやシナリオへの一般化を改善し、より小さく、より解釈可能な、ドメイン関連パラメータを許容する。 これらの利点にもかかわらず、その出力がデータにマッチするようにシミュレータのパラメータをチューニングすることは困難である。 シミュレーションベース推論(SBI)はパラメータ集合を識別する。 a)事前の知識と互換性があり b) 経験的な観察と一致する。 重要なことは、SBIは単一の「ベスト」なデータ互換パラメータセットを復元するのではなく、観察されたデータを説明するパラメータ空間の全ての高い確率領域を特定し、パラメータの不確かさを定量化する。 ベイズ用語では、SBIは興味のあるパラメータの後方分布を検索することを目的としている。 従来のベイズ推定とは対照的に、sbiはモデルシミュレーションを実行する場合にも適用できるが、与えられたパラメータ、すなわち確率を評価する公式やアルゴリズムは存在しない。 我々は、ニューラルネットワークに基づくSBIアルゴリズムを実装するPyTorchベースのパッケージである$\texttt{sbi}$を提示する。 $\texttt{sbi}$は、ドキュメンテーションやチュートリアルとともに最先端アルゴリズムへの統一インターフェースを提供することで、科学者やエンジニアを実践するためのブラックボックスシミュレータの推論を容易にする。

関連論文リスト

• sbi reloaded: a toolkit for simulation-based inference workflows [15.696312591547283]
  $texttsbi$は、ニューラルネットワークに基づいたベイズSBIアルゴリズムを実装するPyTorchベースのパッケージである。 texttsbi$ツールキットを使えば、科学者やエンジニアが最先端のSBIメソッドをブラックボックスシミュレータに適用できる。
  論文  参考訳（メタデータ） (2024-11-26T11:31:47Z)
• Preconditioned Neural Posterior Estimation for Likelihood-free Inference [5.651060979874024]
  本稿では,低次元問題においても,神経後部推定法(NPE)の精度は高くないことを示す。 我々は,ABCの短い動作でパラメータ空間の領域を効果的に排除し,シミュレーションとデータ間の大きな相違を生じさせる,プレコンディション付きNPEとそのシーケンシャルバージョン(PSNPE)を提案する。 本稿では, ニューラルネットワークと統計的SBI法を融合させることにより, 様々な事例において性能が向上することを示す。
  論文  参考訳（メタデータ） (2024-04-21T07:05:38Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• On Least Square Estimation in Softmax Gating Mixture of Experts [78.3687645289918]
  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)
• 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)
• Generalized Bayesian Inference for Scientific Simulators via Amortized Cost Estimation [11.375835331641548]
  ニューラルネットワークをトレーニングしてコスト関数を近似し、パラメータと観測データとの予測距離と定義する。 いくつかのベンチマークタスクにおいて、ACEはコストを正確に予測し、他のSBI法よりも合成観測に近い予測シミュレーションを提供する。
  論文  参考訳（メタデータ） (2023-05-24T14:45:03Z)
• Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
  本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。 また、局所的な一貫性の結果に基づいた理論的保証も提供する。 この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
  論文  参考訳（メタデータ） (2022-11-17T15:48:06Z)
• Efficient identification of informative features in simulation-based inference [5.538076164981993]
  訓練後, 後部を推測し, 特徴の寄与度を評価する前に, 訓練後のサロゲート確率を極端に評価できることが示唆された。 本稿では,HHニューロンモデルのパラメータを推定する上で最も重要な特徴を同定し,本手法の有用性を示す。
  論文  参考訳（メタデータ） (2022-10-21T12:35:46Z)
• Learning Summary Statistics for Bayesian Inference with Autoencoders [58.720142291102135]
  我々は,ディープニューラルネットワークに基づくオートエンコーダの内部次元を要約統計として利用する。 パラメータ関連情報を全て符号化するエンコーダのインセンティブを作成するため,トレーニングデータの生成に使用した暗黙的情報にデコーダがアクセスできるようにする。
  論文  参考訳（メタデータ） (2022-01-28T12:00:31Z)
• 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)

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。