論文の概要: Generalized Posteriors in Approximate Bayesian Computation

• arxiv url: http://arxiv.org/abs/2011.08644v2
• Date: Tue, 23 Feb 2021 18:16:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-24 17:41:24.741860
• Title: Generalized Posteriors in Approximate Bayesian Computation
• Title（参考訳）: 近似ベイズ計算における一般化後処理
• Authors: Sebastian M Schmon, Patrick W Cannon, Jeremias Knoblauch
• Abstract要約: 近似ベイズ計算 (ABC) はシミュレーションベースの推論において重要な手法である。 本稿ではABCと一般化ベイズ推論(GBI)の関連性を描く。
• 参考スコア（独自算出の注目度）: 6.026640792312181
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Complex simulators have become a ubiquitous tool in many scientific disciplines, providing high-fidelity, implicit probabilistic models of natural and social phenomena. Unfortunately, they typically lack the tractability required for conventional statistical analysis. Approximate Bayesian computation (ABC) has emerged as a key method in simulation-based inference, wherein the true model likelihood and posterior are approximated using samples from the simulator. In this paper, we draw connections between ABC and generalized Bayesian inference (GBI). First, we re-interpret the accept/reject step in ABC as an implicitly defined error model. We then argue that these implicit error models will invariably be misspecified. While ABC posteriors are often treated as a necessary evil for approximating the standard Bayesian posterior, this allows us to re-interpret ABC as a potential robustification strategy. This leads us to suggest the use of GBI within ABC, a use case we explore empirically.
• Abstract（参考訳）: 複雑なシミュレータは多くの科学分野においてユビキタスなツールとなり、自然現象と社会現象の忠実さと暗黙の確率モデルを提供している。 残念ながら、それらは通常、従来の統計分析に必要なトラクタビリティを欠いている。 近似ベイズ計算(ABC)はシミュレーションベースの推論において重要な手法として登場し、真のモデル確率と後部確率はシミュレータのサンプルを用いて近似される。 本稿では,ABCと一般化ベイズ推論(GBI)の関連性について述べる。 まず、abcのaccept/rejectステップを暗黙的に定義されたエラーモデルとして再解釈する。 次に、これらの暗黙のエラーモデルは必ず不特定化されると論じる。 abc後方は標準的なベイズ後方を近似するために必要な悪として扱われることが多いが、これはabcを潜在的な強固化戦略として再解釈することができる。 これにより、abc内でgbiの使用を推奨するようになりました。

関連論文リスト

• Tree Bandits for Generative Bayes [0.0]
  本稿では,過去の試行錯誤から学習したABC拒絶サンプリングを高速化する自己認識フレームワークを開発する。 シミュレーションコストがはるかに低いABC近似性を示す。 最後に,提案手法を深部生成モデルを用いたマスク画像分類問題に適用する。
  論文  参考訳（メタデータ） (2024-04-16T10:02:36Z)
• 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 Bayesian Simulation [0.9137554315375922]
  我々は,敵対的ネットワーク(GAN)と敵対的変動ベイズに基づく深いニューラル暗黙的サンプリング器を用いてベイズ近似計算(ABC)を橋渡しする。 我々は,逆最適化問題を解くことにより,後部を直接対象とするベイズ型GANを開発した。 本研究は, ニューラルネットワーク生成器と識別器において, 真と近似後部の典型的な総変動距離が0に収束することを示す。
  論文  参考訳（メタデータ） (2022-08-25T14:18:39Z)
• Generalised Bayesian Inference for Discrete Intractable Likelihood [9.331721990371769]
  本稿では、離散的難易度に適した新しい一般化されたベイズ推論手法を開発する。 連続データに対する最近の方法論的な進歩にインスパイアされた主なアイデアは、離散的なフィッシャー分岐を用いてモデルパラメータに関する信念を更新することである。 結果は一般化された後部であり、マルコフ・モンテカルロのような標準的な計算ツールからサンプリングすることができる。
  論文  参考訳（メタデータ） (2022-06-16T19:36:17Z)
• Robust Bayesian Inference for Simulator-based Models via the MMD Posterior Bootstrap [13.448658162594604]
  後部ブートストラップと最大平均誤差推定器に基づく新しいアルゴリズムを提案する。 これにより、強い性質を持つ高パラレライズ可能なベイズ推論アルゴリズムが導かれる。 このアプローチは、g-and-k分布やトグル・スウィッチモデルなど、さまざまな例に基づいて評価される。
  論文  参考訳（メタデータ） (2022-02-09T22:12:19Z)
• Approximate Bayesian Computation via Classification [0.966840768820136]
  近似計算(ABC: Approximate Computation)は、計算が難しいがシミュレーションが容易な複雑なモデルにおいて、統計的推論を可能にする。 ABCは、実データとシミュレーションデータの要約統計を比較するアセプション/リジェクト機構により、後部分布に対するカーネル型近似を構築する。 ABCの受け入れしきい値を必要としない指数重み付け方式と同様に、従来のアセプション/リジェクトカーネルも考慮する。
  論文  参考訳（メタデータ） (2021-11-22T20:07:55Z)
• Evaluating State-of-the-Art Classification Models Against Bayes Optimality [106.50867011164584]
  正規化フローを用いて学習した生成モデルのベイズ誤差を正確に計算できることを示す。 われわれの手法を用いて、最先端の分類モデルについて徹底的な調査を行う。
  論文  参考訳（メタデータ） (2021-06-07T06:21:20Z)
• Causal Expectation-Maximisation [70.45873402967297]
  ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。 我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。 我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
  論文  参考訳（メタデータ） (2020-11-04T10:25:13Z)
• Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
  補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。 テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。 以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-22T21:12:31Z)
• $\gamma$-ABC: Outlier-Robust Approximate Bayesian Computation Based on a Robust Divergence Estimator [95.71091446753414]
  最寄りの$gamma$-divergence推定器をデータ差分尺度として用いることを提案する。 本手法は既存の不一致対策よりも高いロバスト性を実現する。
  論文  参考訳（メタデータ） (2020-06-13T06:09:27Z)
• Uncertainty quantification using martingales for misspecified Gaussian processes [52.22233158357913]
  本稿では,ガウス過程(GP)の不確定な定量化を,不特定先行条件下で解決する。 マルティンゲール法を用いて未知関数に対する信頼シーケンス(CS)を構築する。 我々のCSは統計的に有効であり、実証的に標準GP法より優れています。
  論文  参考訳（メタデータ） (2020-06-12T17:58:59Z)

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。