論文の概要: Extending the statistical software package Engine for Likelihood-Free
Inference
- arxiv url: http://arxiv.org/abs/2011.03977v1
- Date: Sun, 8 Nov 2020 13:22:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-28 08:56:15.939907
- Title: Extending the statistical software package Engine for Likelihood-Free
Inference
- Title（参考訳）: 確率自由推論のための統計ソフトウェアパッケージエンジンの拡張
- Authors: Vasileios Gkolemis, Michael Gutmann
- Abstract要約: この論文は、ソフトウェアパッケージ Engine for Likelihood-Free Inference (ELFI) におけるRobust optimisation Monte Carlo (ROMC) メソッドの実装に焦点を当てている。
我々の実装は、シミュレーターベースのモデルで推論を実行したい実践者に対して、堅牢で効率的なソリューションを提供します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bayesian inference is a principled framework for dealing with uncertainty.
The practitioner can perform an initial assumption for the physical phenomenon
they want to model (prior belief), collect some data and then adjust the
initial assumption in the light of the new evidence (posterior belief).
Approximate Bayesian Computation (ABC) methods, also known as likelihood-free
inference techniques, are a class of models used for performing inference when
the likelihood is intractable. The unique requirement of these models is a
black-box sampling machine. Due to the modelling-freedom they provide these
approaches are particularly captivating. Robust Optimisation Monte Carlo (ROMC)
is one of the most recent techniques of the specific domain. It approximates
the posterior distribution by solving independent optimisation problems. This
dissertation focuses on the implementation of the ROMC method in the software
package Engine for Likelihood-Free Inference (ELFI). In the first chapters, we
provide the mathematical formulation and the algorithmic description of the
ROMC approach. In the following chapters, we describe our implementation; (a)
we present all the functionalities provided to the user and (b) we demonstrate
how to perform inference on some real examples. Our implementation provides a
robust and efficient solution to a practitioner who wants to perform inference
on a simulator-based model. Furthermore, it exploits parallel processing for
accelerating the inference wherever it is possible. Finally, it has been
designed to serve extensibility; the user can easily replace specific subparts
of the method without significant overhead on the development side. Therefore,
it can be used by a researcher for further experimentation.
- Abstract（参考訳）: ベイズ推論は不確実性を扱うための原理的なフレームワークである。
実践者は、モデル化したい物理的現象(優先的信念)の最初の仮定を実行し、いくつかのデータを収集し、新しい証拠(後の信念)に照らして最初の仮定を調整することができる。
近似ベイズ計算(英: approximation bayesian computation、abc)は、確率が難解であるときに推論を行うためのモデルである。
これらのモデルのユニークな要件はブラックボックスサンプリングマシンである。
モデリング自由度のため、これらのアプローチは特にcaptivatingである。
ロバスト最適化モンテカルロ(ROMC)は、特定の領域の最新の技術の一つである。
独立最適化問題を解くことで後続分布を近似する。
この論文は、ソフトウェアパッケージ Engine for Likelihood-Free Inference (ELFI) におけるROMCメソッドの実装に焦点を当てている。
第1章では,romcアプローチの数学的定式化とアルゴリズム記述について述べる。
下記の章では、実装について述べます。
(a)ユーザに提供された機能をすべて提示し、
(b)実例で推論を行う方法を示す。
本実装は,シミュレータベースモデル上で推論を行おうとする実践者に対して,堅牢かつ効率的なソリューションを提供する。
さらに、並列処理を利用して、可能な限り推論を高速化する。
最後に、拡張性を提供するように設計されている。ユーザは開発側の大きなオーバーヘッドを伴わずに、メソッドの特定の部分を簡単に置き換えることができる。
そのため、研究者がさらなる実験に利用することができる。
関連論文リスト
- Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。
第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。
第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
論文 参考訳（メタデータ） (2025-02-11T19:24:09Z) - Information-theoretic Bayesian Optimization: Survey and Tutorial [2.3931689873603603]
本稿では,情報理論的獲得関数について述べる。
また,情報理論の獲得関数を,多目的,制約付き,非明視的,多面的,並列,非同期といった複雑な最適化シナリオに適応させる方法について述べる。
論文 参考訳（メタデータ） (2025-01-22T10:54:15Z) - Inference-Time Alignment in Diffusion Models with Reward-Guided Generation: Tutorial and Review [59.856222854472605]
このチュートリアルは、拡散モデルにおける下流の報酬関数を最適化するための推論時ガイダンスとアライメント方法に関する詳細なガイドを提供する。
生物学のような分野における実践的な応用は、しばしば特定の指標を最大化するサンプル生成を必要とする。
本稿では,(1)推論時と組み合わせた微調整手法,(2)モンテカルロ木探索などの探索アルゴリズムに基づく推論時アルゴリズム,(3)言語モデルと拡散モデルにおける推論時アルゴリズムの接続について論じる。
論文 参考訳（メタデータ） (2025-01-16T17:37:35Z) - 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) - Gaussian Process Probes (GPP) for Uncertainty-Aware Probing [61.91898698128994]
モデルによって表現される概念に関する不確実性を探索し、測定するための統一的でシンプルなフレームワークを導入する。
実験の結果,(1)ごく少数の例でも,モデルの概念表現を探索し,(2)認識の不確実性(プローブがどの程度確実か)と解離不確実性(モデルがファジィか)を正確に測定し,(3)これらの不確実性尺度と古典的手法を用いて分布データの検出を行うことができた。
論文 参考訳（メタデータ） (2023-05-29T17:00:16Z) - Exact Bayesian Inference on Discrete Models via Probability Generating
Functions: A Probabilistic Programming Approach [7.059472280274009]
離散統計モデルに対する正確なベイズ推定法を提案する。
我々は、離散的かつ連続的なサンプリング、離散的な観察、アフィン関数、(確率的な)分岐、離散的な事象の条件付けをサポートする確率的プログラミング言語を使用する。
我々の推論手法は確実に正確で完全に自動化されている。
論文 参考訳（メタデータ） (2023-05-26T16:09:59Z) - MACE: An Efficient Model-Agnostic Framework for Counterfactual
Explanation [132.77005365032468]
MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。
MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。
公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
論文 参考訳（メタデータ） (2022-05-31T04:57:06Z) - Bayesian Inference Forgetting [82.6681466124663]
忘れられる権利は多くの国で合法化されているが、機械学習の施行は耐え難いコストを引き起こすだろう。
本稿では,ベイズ推論において忘れられる権利を実現するための it bayesian inference forgetting (bif) フレームワークを提案する。
論文 参考訳（メタデータ） (2021-01-16T09:52:51Z) - The FMRIB Variational Bayesian Inference Tutorial II: Stochastic
Variational Bayes [1.827510863075184]
このチュートリアルは、オリジナルのFMRIB Variational Bayesチュートリアルを再考する。
この新しいアプローチは、機械学習アルゴリズムに適用された計算方法に多くの類似性を持ち、恩恵を受けている。
論文 参考訳（メタデータ） (2020-07-03T11:31:52Z) - Elements of Sequential Monte Carlo [21.1067925312595]
統計学と機械学習の主な問題は、確率分布と予測を計算することである。
主な課題は、これらの難解な期待を近似することである。
シーケンシャルモンテカルロ (Sequence Monte Carlo, SMC) は、近似推論のためのランダムサンプリングに基づく手法のクラスである。
論文 参考訳（メタデータ） (2019-03-12T09:28:05Z)
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。