Fugu-MT 論文翻訳(概要): Sequential Neural Posterior and Likelihood Approximation

論文の概要: Sequential Neural Posterior and Likelihood Approximation

arxiv url: http://arxiv.org/abs/2102.06522v1
Date: Fri, 12 Feb 2021 13:46:47 GMT
ステータス: 処理完了
システム内更新日: 2021-02-15 13:14:01.806873
Title: Sequential Neural Posterior and Likelihood Approximation
Title（参考訳）: 逐次神経後部と可能性近似
Authors: Samuel Wiqvist, Jes Frellsen, Umberto Picchini
Abstract要約: SNPLAは暗黙モデルにおける推論のための正規化フローベースのアルゴリズムである。類似の方法と比較すると,本手法は後側と後側の両方を共同学習する。
参考スコア（独自算出の注目度）: 8.067749082043578
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce the sequential neural posterior and likelihood approximation (SNPLA) algorithm. SNPLA is a normalizing flows-based algorithm for inference in implicit models. Thus, SNPLA is a simulation-based inference method that only requires simulations from a generative model. Compared to similar methods, the main advantage of SNPLA is that our method jointly learns both the posterior and the likelihood. SNPLA completely avoid Markov chain Monte Carlo sampling and correction-steps of the parameter proposal function that are introduced in similar methods, but that can be numerically unstable or restrictive. Over four experiments, we show that SNPLA performs competitively when utilizing the same number of model simulations as used in other methods, even though the inference problem for SNPLA is more complex due to the joint learning of posterior and likelihood function.
Abstract（参考訳）: SNPLA(Sequence Neural posterior and likelylihood Approximation)アルゴリズムについて紹介する。 SNPLAは暗黙モデルにおける推論のための正規化フローベースのアルゴリズムである。したがって、snplaは生成モデルからのシミュレーションのみを必要とするシミュレーションに基づく推論手法である。同様の手法と比較して,SNPLAの主な利点は,本手法が後部と後部の両方を共同で学習することである。 SNPLAはマルコフ連鎖モンテカルロサンプリングと同様の方法で導入されたパラメータ提案関数の修正ステップを完全に避けるが、数値的に不安定か制限的である。 4 つの実験で,SNPLA は,後続関数と後続関数の連成学習により,SNPLA の推論問題がより複雑であるにもかかわらず,他の手法と同じ数のモデルシミュレーションを利用する場合,競争的に機能することを示した。

関連論文リスト

Pseudo-Likelihood Inference [16.934708242852558]
Pseudo-Likelihood Inference (PLI)は、ABCに神経近似をもたらす新しい方法であり、ベイズシステムの識別に挑戦するタスクと競合する。 PLIは、勾配降下による神経後葉の最適化を可能にし、要約統計に頼らず、入力として複数の観察を可能にする。 PLIの有効性は、4つの古典的SBIベンチマークタスクと非常にダイナミックな物理システムで評価される。
論文参考訳（メタデータ） (2023-11-28T10:17:52Z)
Simulation-based inference using surjective sequential neural likelihood estimation [50.24983453990065]
主観的逐次的ニューラルネットワーク類似度推定はシミュレーションに基づく推論の新しい手法である。データを低次元空間に埋め込むことで、SSNLは高次元データセットに適用する際の従来の可能性ベースの手法が抱えるいくつかの問題を解く。
論文参考訳（メタデータ） (2023-08-02T10:02:38Z)
Regularizing with Pseudo-Negatives for Continual Self-Supervised Learning [62.40718385934608]
効果的な継続型自己教師型学習(CSSL)のためのPNR(Pseudo-Negative Regularization)フレームワークを提案する。我々のPNRは,新たに学習した表現が過去の学習と矛盾しないように,モデルに基づく拡張によって得られた擬陰性情報を活用する。
論文参考訳（メタデータ） (2023-06-08T10:59:35Z)
Sequential Neural Score Estimation: Likelihood-Free Inference with Conditional Score Based Diffusion Models [5.1986508753214915]
シミュレーターベースモデルにおけるベイズ推定のためのスコアベース手法である逐次ニューラル後スコア推定を導入する。このモデルを逐次訓練手順に組み込み、関心の観測における後部の現在の近似を用いてシミュレーションを導出する。提案手法は, 既存の最先端手法に匹敵する, 優れた性能を示す数値例で, 非逐次的, 非逐次的, 変種性を検証した。
論文参考訳（メタデータ） (2022-10-10T17:45:37Z)
Truncated proposals for scalable and hassle-free simulation-based inference [3.308743964406687]
以下は、TSNPE(Trncated Sequential Neural Posterior Estimation)の略である。 TSNPEは、競合する提案を逐次推論し、代替アプローチの最適化問題をサイドステッピングする。 TSNPEが確立したベンチマークタスクにおいて,従来の手法と同等に動作することを示す。
論文参考訳（メタデータ） (2022-10-10T16:25:04Z)
Variational methods for simulation-based inference [3.308743964406687]
逐次ニューラル変分推論(SNVI)は、難易度のあるモデルにおいてベイズ推論を行うためのアプローチである。 SNVIは、確率推定と変分推論を組み合わせることで、スケーラブルなシミュレーションベースの推論アプローチを実現する。
論文参考訳（メタデータ） (2022-03-08T16:06:37Z)
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)
MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文参考訳（メタデータ） (2021-06-03T12:59:16Z)
Sinkhorn Natural Gradient for Generative Models [125.89871274202439]
本研究では,シンクホーンの発散による確率空間上の最も急降下法として機能するシンクホーン自然勾配(SiNG)アルゴリズムを提案する。本稿では,SiNG の主要成分であるシンクホーン情報行列 (SIM) が明示的な表現を持ち,対数的スケールの複雑さを正確に評価できることを示す。本実験では,SiNGと最先端のSGD型解法を定量的に比較し,その有効性と有効性を示す。
論文参考訳（メタデータ） (2020-11-09T02:51:17Z)
Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文参考訳（メタデータ） (2020-07-02T17:55:47Z)
Simulation Assisted Likelihood-free Anomaly Detection [3.479254848034425]
本稿では,モデルに依存しない探索に両方のアプローチを最大限に活用するハイブリッド手法を提案する。 1つの特徴において共振性を持つポテンシャル信号に対して、この新しい手法は、まずパラメータ化再重み付け関数を学習し、与えられたシミュレーションを変形して、データをサイドバンドで整合させる。重み付けされたシミュレーションによる背景推定により、分類に使用される特徴と共鳴特徴との間には非自明な相関が生じる。
論文参考訳（メタデータ） (2020-01-14T19:00:09Z)

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。