Fugu-MT 論文翻訳(概要): Arbitrary Marginal Neural Ratio Estimation for Simulation-based Inference

論文の概要: Arbitrary Marginal Neural Ratio Estimation for Simulation-based Inference

arxiv url: http://arxiv.org/abs/2110.00449v1
Date: Fri, 1 Oct 2021 14:35:46 GMT
ステータス: 処理完了
システム内更新日: 2021-10-04 14:39:43.353060
Title: Arbitrary Marginal Neural Ratio Estimation for Simulation-based Inference
Title（参考訳）: シミュレーションに基づく推論のための任意辺縁神経比推定
Authors: Fran\c{c}ois Rozet and Gilles Louppe
Abstract要約: 本稿では,数値積分に頼らずにパラメータの任意の部分集合に対する償却推論を可能にする新しい手法を提案する。重力波観測による二元ブラックホール系のパラメータ推定法の適用性を示す。
参考スコア（独自算出の注目度）: 7.888755225607877
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In many areas of science, complex phenomena are modeled by stochastic parametric simulators, often featuring high-dimensional parameter spaces and intractable likelihoods. In this context, performing Bayesian inference can be challenging. In this work, we present a novel method that enables amortized inference over arbitrary subsets of the parameters, without resorting to numerical integration, which makes interpretation of the posterior more convenient. Our method is efficient and can be implemented with arbitrary neural network architectures. We demonstrate the applicability of the method on parameter inference of binary black hole systems from gravitational waves observations.
Abstract（参考訳）: 科学の多くの分野において、複素現象は確率的パラメトリックシミュレータによってモデル化され、しばしば高次元のパラメータ空間と難解な可能性を持つ。この文脈では、ベイズ推論の実行は困難である。そこで本研究では,パラメータの任意の部分集合に対する償却推論を数値積分に頼らずに可能とし,後段の解釈をより便利にする新しい手法を提案する。この手法は効率的であり、任意のニューラルネットワークアーキテクチャで実装できる。重力波観測による2値ブラックホール系のパラメータ推定法の適用性を示す。

関連論文リスト

Nonparametric estimation of Hawkes processes with RKHSs [1.775610745277615]
本稿では、再生カーネル空間(RKHS)に相互作用関数が存在すると仮定した非線形ホークス過程の非パラメトリック推定について述べる。神経科学の応用によって動機づけられたこのモデルは、エキサイティングな効果と阻害的な効果を表現するために、複雑な相互作用機能を実現する。本手法は, 関連する非パラメトリック推定手法よりも優れた性能を示し, 神経応用に適していることが示唆された。
論文参考訳（メタデータ） (2024-11-01T14:26:50Z)
Physics and geometry informed neural operator network with application to acoustic scattering [0.0]
任意の形状の散乱体に対する散乱圧力場を予測できる物理インフォームド・ディープ・オペレーター・ネットワーク(DeepONet)を提案する。我々の訓練されたモデルは、物理的に一貫性のある散らばった圧力場を数秒で近似できる解演算子を学習することができる。
論文参考訳（メタデータ） (2024-06-02T03:41:52Z)
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)
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)
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)
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)
Probabilistic Inference of Simulation Parameters via Parallel Differentiable Simulation [34.30381620584878]
実世界の計測を正確に再現するには、シミュレーターが適切な物理系のモデルを持つ必要がある。ベイズ推定手法を用いてパラメータを推定する後者の問題に対処する。我々は、GPUコード生成と微分可能シミュレーションを利用して、多くの粒子に対するその可能性とその勾配を並列に評価する。
論文参考訳（メタデータ） (2021-09-18T03:05:44Z)
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)
Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
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。
論文参考訳（メタデータ） (2021-02-12T12:23:13Z)
Resampling with neural networks for stochastic parameterization in multiscale systems [0.0]
本研究では,完全に解決されたシミュレーションから観測データや参照データの条件再サンプリングを行う機械学習手法を提案する。これは、マクロ変数を条件とした参照データのサブセットの確率的分類に基づいている。我々は,2つのパラメータ設定を用いて,Lorenz 96システムに対するアプローチを検証する。
論文参考訳（メタデータ） (2020-04-03T10:09:18Z)

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。