論文の概要: Fast ABC with joint generative modelling and subset simulation
- arxiv url: http://arxiv.org/abs/2104.08156v1
- Date: Fri, 16 Apr 2021 15:03:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-19 14:39:01.371389
- Title: Fast ABC with joint generative modelling and subset simulation
- Title（参考訳）: 連成生成モデルとサブセットシミュレーションを用いた高速ABC
- Authors: Eliane Maalouf, David Ginsbourger and Niklas Linde
- Abstract要約: 本稿では,高次元入力と高価なフォワードマッピングを用いた逆問題解法を提案する。
結合深部生成モデリングを利用して、元の問題空間を低次元の潜在空間に転送する。
- 参考スコア（独自算出の注目度）: 0.6445605125467573
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a novel approach for solving inverse-problems with
high-dimensional inputs and an expensive forward mapping. It leverages joint
deep generative modelling to transfer the original problem spaces to a lower
dimensional latent space. By jointly modelling input and output variables and
endowing the latent with a prior distribution, the fitted probabilistic model
indirectly gives access to the approximate conditional distributions of
interest. Since model error and observational noise with unknown distributions
are common in practice, we resort to likelihood-free inference with Approximate
Bayesian Computation (ABC). Our method calls on ABC by Subset Simulation to
explore the regions of the latent space with dissimilarities between generated
and observed outputs below prescribed thresholds. We diagnose the diversity of
approximate posterior solutions by monitoring the probability content of these
regions as a function of the threshold. We further analyze the curvature of the
resulting diagnostic curve to propose an adequate ABC threshold. When applied
to a cross-borehole tomography example from geophysics, our approach delivers
promising performance without using prior knowledge of the forward nor of the
noise distribution.
- Abstract（参考訳）: 本稿では,高次元入力と高価な前方マッピングを用いた逆問題解法を提案する。
結合深部生成モデリングを利用して、元の問題空間を低次元の潜在空間に転送する。
入力変数と出力変数を共同でモデル化し、潜在変数に事前分布を与えることにより、適合確率モデルは間接的に興味の近似条件分布へのアクセスを与える。
モデル誤差や分布の未知な観測ノイズは実際には一般的であるため,近似ベイズ計算(abc)を用いた確率自由推論を行う。
提案手法はABCに対して,所定の閾値以下で生成した出力と観測した出力との相違点を持つ潜伏空間の領域を探索する。
これらの領域の確率をしきい値の関数として観測し,近似後解の多様性を診断した。
さらに、結果の診断曲線の曲率を分析し、適切なABC閾値を提案する。
地磁気学のクロスボアホールトモグラフィーの例に適用すると,前方の事前知識や騒音分布を使わずに有望な性能が得られる。
関連論文リスト
- A Stein Gradient Descent Approach for Doubly Intractable Distributions [5.63014864822787]
そこで本研究では,2重に抽出可能な分布を推定するために,モンテカルロ・スタイン変分勾配勾配(MC-SVGD)法を提案する。
提案手法は,後続分布に匹敵する推論性能を提供しながら,既存のアルゴリズムよりもかなりの計算ゲインを達成する。
論文 参考訳（メタデータ） (2024-10-28T13:42:27Z) - Spatially-Aware Diffusion Models with Cross-Attention for Global Field Reconstruction with Sparse Observations [1.371691382573869]
フィールド再構成タスクにおけるスコアベース拡散モデルの開発と拡張を行う。
本研究では,観測領域と観測領域の間のトラクタブルマッピングを構築するための条件符号化手法を提案する。
本研究では, モデルが再現可能かどうかを把握し, 融合結果の精度を向上する能力を示す。
論文 参考訳（メタデータ） (2024-08-30T19:46:23Z) - Amortizing intractable inference in diffusion models for vision, language, and control [89.65631572949702]
本稿では,p(mathbfx)$以前の拡散生成モデルとブラックボックス制約,あるいは関数$r(mathbfx)$からなるモデルにおいて,データ上の後部サンプルである $mathbfxsim prm post(mathbfx)propto p(mathbfx)r(mathbfx)$について検討する。
我々は,データフリー学習目標である相対軌道バランスの正しさを,サンプルから抽出した拡散モデルの訓練のために証明する。
論文 参考訳（メタデータ） (2024-05-31T16:18:46Z) - Taming Score-Based Diffusion Priors for Infinite-Dimensional Nonlinear Inverse Problems [4.42498215122234]
本研究では,関数空間におけるベイズ逆問題の解法を提案する。
可能性の対数共空性は仮定せず、非線型逆問題と互換性がある。
従来の正規化法で確立された固定点法に着想を得た新しい収束解析を行う。
論文 参考訳（メタデータ） (2024-05-24T16:17:01Z) - Distributed Markov Chain Monte Carlo Sampling based on the Alternating
Direction Method of Multipliers [143.6249073384419]
本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。
我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。
シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
論文 参考訳（メタデータ） (2024-01-29T02:08:40Z) - Solving Linear Inverse Problems Provably via Posterior Sampling with
Latent Diffusion Models [98.95988351420334]
本稿では,事前学習した潜在拡散モデルを利用した線形逆問題の解法を初めて提案する。
線形モデル設定において,証明可能なサンプル回復を示すアルゴリズムを理論的に解析する。
論文 参考訳（メタデータ） (2023-07-02T17:21:30Z) - Score-based Diffusion Models in Function Space [140.792362459734]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。
本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。
データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文 参考訳（メタデータ） (2023-02-14T23:50:53Z) - ManiFlow: Implicitly Representing Manifolds with Normalizing Flows [145.9820993054072]
正規化フロー(NF)は、複雑な実世界のデータ分布を正確にモデル化することが示されているフレキシブルな明示的な生成モデルである。
摂動分布から標本を与えられた多様体上の最も可能性の高い点を復元する最適化目的を提案する。
最後に、NFsの明示的な性質、すなわち、ログのような勾配とログのような勾配から抽出された表面正規化を利用する3次元点雲に焦点を当てる。
論文 参考訳（メタデータ） (2022-08-18T16:07:59Z) - Sparse Interaction Neighborhood Selection for Markov Random Fields via Reversible Jump and Pseudoposteriors [0.0]
マルコフ確率場モデルの相互作用近傍を有限な支持と等質な対の相互作用で推定する問題を考察する。
最大範囲近傍の部分集合に飛び乗る可逆ジャンプモンテカルロマルコフ連鎖アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-04-12T16:34:33Z) - Resampling Base Distributions of Normalizing Flows [0.0]
学習された拒絶サンプリングに基づいて,フローを正規化するためのベース分布を導入する。
ログライクリフの最大化と逆Kulback-Leibler分散の最適化の両方を用いて、適切な学習アルゴリズムを開発する。
論文 参考訳（メタデータ） (2021-10-29T14:44:44Z) - Generative Modeling with Denoising Auto-Encoders and Langevin Sampling [88.83704353627554]
DAEとDSMの両方がスムーズな人口密度のスコアを推定することを示した。
次に、この結果をarXiv:1907.05600のホモトピー法に適用し、その経験的成功を理論的に正当化する。
論文 参考訳（メタデータ） (2020-01-31T23:50:03Z)
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。