論文の概要: Simulation-efficient marginal posterior estimation with swyft: stop
wasting your precious time
- arxiv url: http://arxiv.org/abs/2011.13951v1
- Date: Fri, 27 Nov 2020 19:00:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 02:54:56.045805
- Title: Simulation-efficient marginal posterior estimation with swyft: stop
wasting your precious time
- Title(参考訳): swyftによるシミュレーション効率のよい後方後方推定: 貴重な時間を無駄にしない
- Authors: Benjamin Kurt Miller, Alex Cole, Gilles Louppe, Christoph Weniger
- Abstract要約: 本研究では,ネスト型ニューラル・サイエンス・ツー・エビデンス比推定とシミュレーションの再利用のためのアルゴリズムを提案する。
これらのアルゴリズムが組み合わさって、縁部および関節後部の自動的および極端にシミュレーターによる効率的な推定を可能にする。
- 参考スコア(独自算出の注目度): 5.533353383316288
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We present algorithms (a) for nested neural likelihood-to-evidence ratio
estimation, and (b) for simulation reuse via an inhomogeneous Poisson point
process cache of parameters and corresponding simulations. Together, these
algorithms enable automatic and extremely simulator efficient estimation of
marginal and joint posteriors. The algorithms are applicable to a wide range of
physics and astronomy problems and typically offer an order of magnitude better
simulator efficiency than traditional likelihood-based sampling methods. Our
approach is an example of likelihood-free inference, thus it is also applicable
to simulators which do not offer a tractable likelihood function. Simulator
runs are never rejected and can be automatically reused in future analysis. As
functional prototype implementation we provide the open-source software package
swyft.
- Abstract(参考訳): アルゴリズムを紹介します
(a)ネスト型神経電位-証拠比推定、及び
b) パラメータの非均一なポアソン点プロセスキャッシュとそれに対応するシミュレーションによるシミュレーションの再利用。
これらのアルゴリズムが組み合わさって、縁および関節後部の自動的および極めてシミュレーターな推定を可能にする。
アルゴリズムは物理学や天文学の幅広い問題に適用でき、通常、従来の確率に基づくサンプリング法よりもはるかに優れたシミュレータ効率を提供する。
提案手法は確率自由推論の一例であり, トラクタブルな確率関数を提供しないシミュレータにも適用可能である。
シミュレータの実行は決して拒否されず、将来の分析で自動的に再利用できる。
機能的なプロトタイプ実装として、オープンソースのソフトウェアパッケージswyftを提供しています。
関連論文リスト
- Surrogate Neural Networks for Efficient Simulation-based Trajectory
Planning Optimization [28.292234483886947]
本稿では、ニューラルネットワークの形で代理モデルを用いて、参照軌道のシミュレーションに基づく最適化の計算時間を短縮する手法を提案する。
提案手法は,従来よりも74%優れた参照軌道が得られており,計算時間が大幅に短縮されることが明らかとなった。
論文 参考訳(メタデータ) (2023-03-30T15:44:30Z) - Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。
勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
論文 参考訳(メタデータ) (2022-07-12T16:08:04Z) - 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) - Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。
本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
論文 参考訳(メタデータ) (2021-11-02T12:33:42Z) - Truncated Marginal Neural Ratio Estimation [5.438798591410838]
本稿では、シミュレーション効率と高速な実験後テスト容易性を同時に提供するニューラルネットワークシミュレータベースの推論アルゴリズムを提案する。
本手法は関節後部ではなく低次元縁後部を同時に推定することによりシミュレーションを効率化する。
局所的アモータイズ後部を推定することにより,提案アルゴリズムは推論結果のロバスト性の効率的な実証試験を可能にする。
論文 参考訳(メタデータ) (2021-07-02T18:00:03Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳(メタデータ) (2021-06-05T01:31:51Z) - Auto-Tuned Sim-to-Real Transfer [143.44593793640814]
シミュレーションで訓練されたポリシーは、しばしば現実世界に移されるときに失敗する。
ドメインのランダム化のようなこの問題に取り組む現在のアプローチには、事前の知識とエンジニアリングが必要である。
実世界に合わせてシミュレータシステムパラメータを自動的にチューニングする手法を提案する。
論文 参考訳(メタデータ) (2021-04-15T17:59:55Z) - A Doubly Stochastic Simulator with Applications in Arrivals Modeling and
Simulation [8.808993671472349]
本稿では,モンテカルロシミュレータとワッサーシュタイン生成逆数ネットワークを統合して,広範囲の到着過程をモデル化し,推定し,シミュレーションするフレームワークを提案する。
古典的モンテカルロシミュレータはポアソンオブジェクトの解釈可能な「物理」を捉えるのに利点があるが、ニューラルネットベースのシミュレータは高次元分布における解釈できない複雑な依存を捉えるのに利点がある。
論文 参考訳(メタデータ) (2020-12-27T13:32:16Z) - AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。
提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
論文 参考訳(メタデータ) (2020-08-16T11:36:11Z) - Black-Box Optimization with Local Generative Surrogates [6.04055755718349]
物理学や工学などの分野において、多くのプロセスは難易度を持つ非微分可能シミュレータでモデル化される。
本稿では,パラメータ空間の局所的近傍におけるシミュレータを近似するために,深部生成モデルを導入する。
パラメータ空間に対するシミュレータの依存性が低次元部分多様体に制約されている場合、本手法はベースライン法よりも高速にミニマを実現する。
論文 参考訳(メタデータ) (2020-02-11T19:02:57Z) - Efficient classical simulation of random shallow 2D quantum circuits [104.50546079040298]
ランダム量子回路は古典的にシミュレートするのは難しいと見なされる。
典型例の近似シミュレーションは, 正確なシミュレーションとほぼ同程度に困難であることを示す。
また、十分に浅いランダム回路はより一般的に効率的にシミュレーション可能であると推測する。
論文 参考訳(メタデータ) (2019-12-31T19:00:00Z)
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。