論文の概要: Compressed particle methods for expensive models with application in Astronomy and Remote Sensing

• arxiv url: http://arxiv.org/abs/2107.08465v1
• Date: Sun, 18 Jul 2021 14:45:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-20 15:13:04.803338
• Title: Compressed particle methods for expensive models with application in Astronomy and Remote Sensing
• Title（参考訳）: 高価なモデルのための圧縮粒子法と天文学・リモートセンシングへの応用
• Authors: Luca Martino, V\'ictor Elvira, Javier L\'opez-Santiago, Gustau Camps-Valls
• Abstract要約: そこで本研究では,高コストモデルの評価を行う手法を提案する。 いくつかの数値実験において, 提案手法の有効性を実証的に証明し, 提案手法を理論的に検証した。 そのうちの2つは、天文学と衛星リモートセンシングにおける現実世界の応用である。
• 参考スコア（独自算出の注目度）: 15.874578163779047
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In many inference problems, the evaluation of complex and costly models is often required. In this context, Bayesian methods have become very popular in several fields over the last years, in order to obtain parameter inversion, model selection or uncertainty quantification. Bayesian inference requires the approximation of complicated integrals involving (often costly) posterior distributions. Generally, this approximation is obtained by means of Monte Carlo (MC) methods. In order to reduce the computational cost of the corresponding technique, surrogate models (also called emulators) are often employed. Another alternative approach is the so-called Approximate Bayesian Computation (ABC) scheme. ABC does not require the evaluation of the costly model but the ability to simulate artificial data according to that model. Moreover, in ABC, the choice of a suitable distance between real and artificial data is also required. In this work, we introduce a novel approach where the expensive model is evaluated only in some well-chosen samples. The selection of these nodes is based on the so-called compressed Monte Carlo (CMC) scheme. We provide theoretical results supporting the novel algorithms and give empirical evidence of the performance of the proposed method in several numerical experiments. Two of them are real-world applications in astronomy and satellite remote sensing.
• Abstract（参考訳）: 多くの推論問題では、複雑でコストのかかるモデルの評価がしばしば必要となる。 この文脈において、ベイズ法はパラメータの逆転、モデル選択、不確かさの定量化を得るために、過去数年間にいくつかの分野で非常に人気がある。 ベイズ推論は(しばしばコストのかかる)後続分布を含む複雑な積分の近似を必要とする。 一般に、この近似はモンテカルロ法(mc法)によって得られる。 対応する手法の計算コストを削減するために、サロゲートモデル(エミュレータとも呼ばれる)がしばしば用いられる。 もう1つのアプローチは、いわゆる近似ベイズ計算(ABC)方式である。 ABCは高価なモデルの評価を必要とせず、そのモデルに従って人工データをシミュレートすることができる。 さらに、ABCでは、実データと人工データの間の適切な距離の選択も必要である。 そこで本研究では,高コストモデルを評価するための新しい手法を提案する。 これらのノードの選択は、いわゆる圧縮モンテカルロ(CMC)方式に基づいている。 提案手法は,いくつかの数値実験において,提案手法の性能に関する実証的な証拠を与える。 2つは天文学と衛星リモートセンシングにおける実世界の応用である。

関連論文リスト

• Scalable Inference for Bayesian Multinomial Logistic-Normal Dynamic Linear Models [0.5735035463793009]
  この記事では、$textitFenrir$と呼ばれる、後続状態推定に対する効率的で正確なアプローチを開発します。 我々の実験から、フェンリルはスタンよりも3桁効率が良いことが示唆された。 当社のメソッドは,C++で記述されたユーザフレンドリなソフトウェアライブラリとして,Rインターフェースを備えたコミュニティで利用可能です。
  論文  参考訳（メタデータ） (2024-10-07T23:20:14Z)
• 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)
• Sparse Bayesian Learning for Complex-Valued Rational Approximations [0.03392423750246091]
  サロゲートモデルは、エンジニアリングタスクの計算負担を軽減するために使用される。 これらのモデルは入力パラメータに強い非線形依存を示す。 合理的近似にスパース学習アプローチを適用する。
  論文  参考訳（メタデータ） (2022-06-06T12:06:13Z)
• Bayesian Target-Vector Optimization for Efficient Parameter Reconstruction [0.0]
  対象ベクトル最適化方式を導入し,モデル関数のコントリビューションのすべてについて検討し,パラメータ再構成問題に特に適している。 また、実際のモデル関数の観測がほとんどない正確な不確実性推定を決定できる。
  論文  参考訳（メタデータ） (2022-02-23T15:13:32Z)
• 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)
• Residual Overfit Method of Exploration [78.07532520582313]
  提案手法は,2点推定値の調整と1点オーバーフィットに基づく近似探索手法を提案する。 このアプローチは、調整されたモデルと比較して、オーバーフィットモデルが最も過度な適合を示すアクションへの探索を促進する。 ROMEを3つのデータセット上の確立されたコンテキスト的帯域幅法と比較し、最も優れたパフォーマンスの1つとみなす。
  論文  参考訳（メタデータ） (2021-10-06T17:05:33Z)
• Finding Geometric Models by Clustering in the Consensus Space [61.65661010039768]
  本稿では,未知数の幾何学的モデル,例えばホモグラフィーを求めるアルゴリズムを提案する。 複数の幾何モデルを用いることで精度が向上するアプリケーションをいくつか提示する。 これには、複数の一般化されたホモグラフからのポーズ推定、高速移動物体の軌道推定が含まれる。
  論文  参考訳（メタデータ） (2021-03-25T14:35:07Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)
• Detangling robustness in high dimensions: composite versus model-averaged estimation [11.658462692891355]
  ロバスト法は、実際にはユビキタスであるが、正規化推定や高次元の文脈ではまだ完全には理解されていない。 本稿では,これらの設定におけるロバスト性をさらに研究し,予測に焦点を当てたツールボックスを提供する。
  論文  参考訳（メタデータ） (2020-06-12T20:40:15Z)
• Amortized Bayesian model comparison with evidential deep learning [0.12314765641075436]
  本稿では,専門的なディープラーニングアーキテクチャを用いたベイズモデルの比較手法を提案する。 提案手法は純粋にシミュレーションベースであり,観測された各データセットに対して,すべての代替モデルを明示的に適合させるステップを回避している。 提案手法は,本研究で検討した事例に対して,精度,キャリブレーション,効率の点で優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-04-22T15:15:46Z)
• Learning Gaussian Graphical Models via Multiplicative Weights [54.252053139374205]
  乗算重み更新法に基づいて,Klivans と Meka のアルゴリズムを適用した。 アルゴリズムは、文献の他のものと質的に類似したサンプル複雑性境界を楽しみます。 ランタイムが低い$O(mp2)$で、$m$サンプルと$p$ノードの場合には、簡単にオンライン形式で実装できる。
  論文  参考訳（メタデータ） (2020-02-20T10:50:58Z)

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。