論文の概要: Neural Empirical Bayes: Source Distribution Estimation and its
Applications to Simulation-Based Inference
- arxiv url: http://arxiv.org/abs/2011.05836v2
- Date: Fri, 26 Feb 2021 22:26:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 23:58:58.908322
- Title: Neural Empirical Bayes: Source Distribution Estimation and its
Applications to Simulation-Based Inference
- Title（参考訳）: 神経実験ベイズ: 音源分布推定とシミュレーションに基づく推論への応用
- Authors: Maxime Vandegar, Michael Kagan, Antoine Wehenkel, Gilles Louppe
- Abstract要約: ニューラルネットワークによる経験的ベイズ手法は,地中真理源分布を復元する。
また,コライダー物理の逆問題に対するニューラル経験ベイズの適用性を示す。
- 参考スコア（独自算出の注目度）: 9.877509217895263
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We revisit empirical Bayes in the absence of a tractable likelihood function,
as is typical in scientific domains relying on computer simulations. We
investigate how the empirical Bayesian can make use of neural density
estimators first to use all noise-corrupted observations to estimate a prior or
source distribution over uncorrupted samples, and then to perform
single-observation posterior inference using the fitted source distribution. We
propose an approach based on the direct maximization of the log-marginal
likelihood of the observations, examining both biased and de-biased estimators,
and comparing to variational approaches. We find that, up to symmetries, a
neural empirical Bayes approach recovers ground truth source distributions.
With the learned source distribution in hand, we show the applicability to
likelihood-free inference and examine the quality of the resulting posterior
estimates. Finally, we demonstrate the applicability of Neural Empirical Bayes
on an inverse problem from collider physics.
- Abstract（参考訳）: 計算機シミュレーションに依拠する科学的領域において典型的であるように,確率関数を使わずに経験的ベイズを再検討する。
実験的なベイズ推定器を用いて、まず全てのノイズ崩壊観測を用いて、未破壊試料の事前分布またはソース分布を推定し、得られた音源分布を用いて単一観測後推定を行う。
本研究では,観測の対数的可能性の直接的最大化に基づくアプローチを提案し,偏りと偏りを推定し,変分的アプローチと比較する。
シンメトリーによれば、ニューラルネットワークによる経験的ベイズアプローチは、地上の真理源分布を復元する。
学習した情報源分布を用いて, 確率的推論の適用可能性を示し, 結果の後方推定の質について検討する。
最後に,衝突器物理学の逆問題に対する神経経験ベイズの適用性を示す。
関連論文リスト
- A Likelihood Based Approach to Distribution Regression Using Conditional Deep Generative Models [6.647819824559201]
本研究では,条件付き深部生成モデルの推定のための可能性に基づくアプローチの大規模サンプル特性について検討する。
その結果,条件分布を推定するための最大極大推定器の収束率を導いた。
論文 参考訳（メタデータ） (2024-10-02T20:46:21Z) - Sourcerer: Sample-based Maximum Entropy Source Distribution Estimation [5.673617376471343]
本稿では,最大エントロピー分布,すなわち可能な限り不確実性を維持することを優先する手法を提案する。
提案手法は,Sliced-Wasserstein距離を利用して,データセットとシミュレーションの差分を測定する。
提案手法の有用性を実証するために,何千もの単一ニューロン計測を用いた実験データセットから,Hodgkin-Huxleyモデルのパラメータのソース分布を推定する。
論文 参考訳（メタデータ） (2024-02-12T17:13:02Z) - 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) - Adversarial robustness of amortized Bayesian inference [3.308743964406687]
償却ベイズ推論は、当初シミュレーションデータ上の推論ネットワークのトレーニングに計算コストを投資することを目的としている。
観測対象のほとんど認識不能な摂動は、予測された後部および非現実的な後部予測標本に劇的な変化をもたらす可能性があることを示す。
本研究では,条件密度推定器のフィッシャー情報をペナライズした計算効率の高い正規化手法を提案する。
論文 参考訳（メタデータ） (2023-05-24T10:18:45Z) - Posterior samples of source galaxies in strong gravitational lenses with
score-based priors [107.52670032376555]
我々はスコアベースモデルを用いて、背景銀河の歪みのない画像の事前推定を符号化する。
アウト・オブ・ディストリビューション・データを用いた実験において、可能性と事前のバランスが、我々の期待にどのように合致しているかを示す。
論文 参考訳（メタデータ） (2022-11-07T19:00:42Z) - Neural Importance Sampling for Rapid and Reliable Gravitational-Wave
Inference [59.040209568168436]
まず、ニューラルネットワークを用いてベイズ後部への高速な提案を行い、その基礎となる可能性と事前に基づいて重み付けを行う。
本発明は,(1)ネットワーク不正確性のない修正後部,(2)提案案の評価と故障事例の同定のための性能診断(サンプル効率),(3)ベイズ証拠の偏りのない推定を提供する。
LIGOとVirgoで観測された42個のブラックホールをSEOBNRv4PHMとIMRPhenomHMXP波形モデルで解析した。
論文 参考訳（メタデータ） (2022-10-11T18:00:02Z) - Sampling-free Variational Inference for Neural Networks with
Multiplicative Activation Noise [51.080620762639434]
サンプリングフリー変動推論のための後方近似のより効率的なパラメータ化を提案する。
提案手法は,標準回帰問題に対する競合的な結果をもたらし,大規模画像分類タスクに適している。
論文 参考訳（メタデータ） (2021-03-15T16:16:18Z) - 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) - Convergence Rates of Empirical Bayes Posterior Distributions: A
Variational Perspective [20.51199643121034]
非パラメトリックおよび高次元推論のための経験的ベイズ後部分布の収束率について検討した。
その結果,最大辺縁度推定器によって誘導される経験的ベイズ後部分布は,階層的ベイズ後部分布の変動近似とみなすことができることがわかった。
論文 参考訳（メタデータ） (2020-09-08T19:35:27Z) - Bayesian Deep Learning and a Probabilistic Perspective of Generalization [56.69671152009899]
ディープアンサンブルはベイズ辺化を近似する有効なメカニズムであることを示す。
また,アトラクションの流域内での辺縁化により,予測分布をさらに改善する関連手法を提案する。
論文 参考訳（メタデータ） (2020-02-20T15:13:27Z)
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。