論文の概要: Leveraging Global Parameters for Flow-based Neural Posterior Estimation

• arxiv url: http://arxiv.org/abs/2102.06477v1
• Date: Fri, 12 Feb 2021 12:23:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-15 21:09:02.839117
• Title: Leveraging Global Parameters for Flow-based Neural Posterior Estimation
• Title（参考訳）: フローベースニューラル後部推定のためのグローバルパラメータの活用
• Authors: Pedro L. C. Rodrigues, Thomas Moreau, Gilles Louppe, Alexandre Gramfort
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 90.21090932619695
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inferring the parameters of a stochastic model based on experimental observations is central to the scientific method. A particularly challenging setting is when the model is strongly indeterminate, i.e., when distinct sets of parameters yield identical observations. This arises in many practical situations, such as when inferring the distance and power of a radio source (is the source close and weak or far and strong?) or when estimating the amplifier gain and underlying brain activity of an electrophysiological experiment. In this work, we present a method for cracking such indeterminacy by exploiting additional information conveyed by an auxiliary set of observations sharing global parameters. Our method extends recent developments in simulation-based inference(SBI) based on normalizing flows to Bayesian hierarchical models. We validate quantitatively our proposal on a motivating example amenable to analytical solutions, and then apply it to invert a well known non-linear model from computational neuroscience.
• Abstract（参考訳）: 実験観測に基づく確率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。 これは、電波源の距離やパワーを推測する(ソースが近かったり弱かったり、遠かったり、強かったりする)など、多くの実用的な状況で発生する。 または電気生理学実験の増幅器の利益そして基礎頭脳の活動を推定するとき。 本研究では,グローバルパラメータを共有する観測の補助的集合によって伝達される付加情報を利用して,そのような不確定性を破る手法を提案する。 本手法はベイズ階層モデルへの正規化フローに基づくシミュレーションベース推論(SBI)の最近の発展を延長する。 分析解に適応可能な動機づけ例について,提案を定量的に検証し,計算神経科学からよく知られた非線形モデルに応用する。

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)
• Estimation of spatio-temporal extremes via generative neural networks [0.0]
  利用可能なデータが少ない空間的極端を解析するための統一的なアプローチを提供する。 生成ニューラルネットワークの最近の発展を活用して、完全なサンプルベースの分布を予測する。 提案手法は,複数のシミュレーションされた最大安定過程を適合させて検証し,高精度なアプローチを示す。
  論文  参考訳（メタデータ） (2024-07-11T16:57:17Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• An information field theory approach to Bayesian state and parameter estimation in dynamical systems [0.0]
  本稿では、連続時間決定論的力学系に適した状態とパラメータ推定のためのスケーラブルなベイズ的手法を開発する。 システム応答の関数空間に物理インフォームドされた事前確率測度を構築し、物理を満たす関数がより高い確率で現れるようにする。
  論文  参考訳（メタデータ） (2023-06-03T16:36:43Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Efficient identification of informative features in simulation-based inference [5.538076164981993]
  訓練後, 後部を推測し, 特徴の寄与度を評価する前に, 訓練後のサロゲート確率を極端に評価できることが示唆された。 本稿では,HHニューロンモデルのパラメータを推定する上で最も重要な特徴を同定し,本手法の有用性を示す。
  論文  参考訳（メタデータ） (2022-10-21T12:35:46Z)
• Spherical Poisson Point Process Intensity Function Modeling and Estimation with Measure Transport [0.20305676256390934]
  球面上の非同次ポアソン過程強度関数をモデル化するための新しいアプローチを提案する。 このフレームワークの中心的な考え方は、球面上の関心の根底にある強度関数を、球面上のより単純な参照、強度関数に変換するフレキシブルな単射写像を構築し、推定することである。
  論文  参考訳（メタデータ） (2022-01-24T06:46:22Z)
• 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)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)
• SLEIPNIR: Deterministic and Provably Accurate Feature Expansion for Gaussian Process Regression with Derivatives [86.01677297601624]
  本稿では,2次フーリエ特徴に基づく導関数によるGP回帰のスケーリング手法を提案する。 我々は、近似されたカーネルと近似された後部の両方に適用される決定論的、非漸近的、指数関数的に高速な崩壊誤差境界を証明した。
  論文  参考訳（メタデータ） (2020-03-05T14:33:20Z)

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。