論文の概要: Error-guided likelihood-free MCMC
- arxiv url: http://arxiv.org/abs/2010.06735v3
- Date: Fri, 23 Apr 2021 19:47:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 23:03:42.148233
- Title: Error-guided likelihood-free MCMC
- Title(参考訳): エラー誘導電位MCMC
- Authors: Volodimir Begy and Erich Schikuta
- Abstract要約: この研究は、難解なエビデンスと可能性関数を持つモデルに対する新しい後部推論法を示す。
誤り誘導の可能性のないEG-LF-MCMCは科学応用のために開発された。
- 参考スコア(独自算出の注目度): 2.0305676256390934
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work presents a novel posterior inference method for models with
intractable evidence and likelihood functions. Error-guided likelihood-free
MCMC, or EG-LF-MCMC in short, has been developed for scientific applications,
where a researcher is interested in obtaining approximate posterior densities
over model parameters, while avoiding the need for expensive training of
component estimators on full observational data or the tedious design of
expressive summary statistics, as in related approaches. Our technique is based
on two phases. In the first phase, we draw samples from the prior, simulate
respective observations and record their errors $\epsilon$ in relation to the
true observation. We train a classifier to distinguish between corresponding
and non-corresponding $(\epsilon, \boldsymbol{\theta})$-tuples. In the second
stage the said classifier is conditioned on the smallest recorded $\epsilon$
value from the training set and employed for the calculation of transition
probabilities in a Markov Chain Monte Carlo sampling procedure. By conditioning
the MCMC on specific $\epsilon$ values, our method may also be used in an
amortized fashion to infer posterior densities for observations, which are
located a given distance away from the observed data. We evaluate the proposed
method on benchmark problems with semantically and structurally different data
and compare its performance against the state of the art approximate Bayesian
computation (ABC).
- Abstract(参考訳): この研究は、難解なエビデンスと可能性関数を持つモデルに対する新しい後部推論法を示す。
誤り誘導可能性のないMCMC(略してEG-LF-MCMC)は科学的応用のために開発され、研究者はモデルパラメータよりも近似した後続密度を求める一方で、完全な観測データに対するコンポーネント推定器の高価なトレーニングや、関連するアプローチのように表現力のある要約統計の退屈な設計を回避している。
我々の技術は2つのフェーズに基づいている。
第1フェーズでは、前者のサンプルを描画し、それぞれの観測をシミュレートし、その誤差を真観測との関係で$\epsilon$に記録する。
分類器を訓練して、対応するおよび非対応の$(\epsilon, \boldsymbol{\theta})$-tuplesを区別する。
第2段階では、この分類器はトレーニングセットから記録された最小の$\epsilon$値に条件付けされ、マルコフ連鎖モンテカルロサンプリング手順における遷移確率の計算に使用される。
mcmc を特定の $\epsilon$ 値に条件付けることにより、本手法は観測データから離れた位置にある観測の後方密度を推定するために、償却された方法でも使用できる。
提案手法を意味的および構造的に異なるデータを用いたベンチマーク問題において評価し,その性能を近似ベイズ計算(ABC)の状態と比較した。
関連論文リスト
- Towards Model-Agnostic Posterior Approximation for Fast and Accurate Variational Autoencoders [22.77397537980102]
我々は,真のモデルの後部の決定論的,モデルに依存しない後部近似(MAPA)を計算可能であることを示す。
我々は,(1)MAPAが真の後部傾向を捉えた低次元合成データに対する予備的な結果を示し,(2)MAPAに基づく推論は,ベースラインよりも少ない計算でより優れた密度推定を行う。
論文 参考訳(メタデータ) (2024-03-13T20:16:21Z) - Online Variational Sequential Monte Carlo [56.16884466478886]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳(メタデータ) (2023-12-19T21:45:38Z) - Variational Inference for Neyman-Scott Processes [1.4467794332678536]
Neyman-Scottプロセス(NSP)は、クラスタ階層のモデルポイントや時間イベントに、さまざまな分野に適用されている。
NSPに対する第1変分推論 (VI) アルゴリズムを開発し、適切な変分後点過程分布の2つの例を示す。
論文 参考訳(メタデータ) (2023-03-07T07:32:10Z) - Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。
条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。
提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文 参考訳(メタデータ) (2022-11-30T05:33:29Z) - Learning from aggregated data with a maximum entropy model [73.63512438583375]
我々は,観測されていない特徴分布を最大エントロピー仮説で近似することにより,ロジスティック回帰と類似した新しいモデルが,集約データからのみ学習されることを示す。
我々は、この方法で学習したモデルが、完全な非凝集データでトレーニングされたロジスティックモデルに匹敵するパフォーマンスを達成することができるという、いくつかの公開データセットに関する実証的な証拠を提示する。
論文 参考訳(メタデータ) (2022-10-05T09:17:27Z) - Compositional Score Modeling for Simulation-based Inference [28.422049267537965]
両手法の利点を享受する条件付きスコアモデリングに基づく新しい手法を提案する。
提案手法は, サンプル効率が高く, 自然に複数の観測を推定時に集約し, 標準推定手法の欠点を回避することができる。
論文 参考訳(メタデータ) (2022-09-28T17:08:31Z) - 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) - 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) - Score Matched Conditional Exponential Families for Likelihood-Free
Inference [0.0]
Likelihood-Free Inference (LFI) はモデルからのシミュレーションに依存する。
モデルからパラメータシミュレーションペアを観測に基づいて独立に生成する。
重みをスコアマッチングで調整したニューラルネットワークを用いて,条件付き指数関数的家族度近似を学習する。
論文 参考訳(メタデータ) (2020-12-20T11:57:30Z) - Inference in Stochastic Epidemic Models via Multinomial Approximations [2.28438857884398]
疫病モデルに新しい推論法を導入する。
この方法は離散時間有限人口構成モデルのクラスに適用できる。
本手法は,中国武漢で発生した新型コロナウイルスの再現数の経時変化を推定するために,シークエンシャルモンテカルロ法に組み込むことができることを示す。
論文 参考訳(メタデータ) (2020-06-24T13:08:56Z) - Machine learning for causal inference: on the use of cross-fit
estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。
平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。
機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文 参考訳(メタデータ) (2020-04-21T23:09:55Z)
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。