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
- 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) - Learning minimal representations of stochastic processes with
variational autoencoders [52.99137594502433]
プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。
我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
論文 参考訳(メタデータ) (2023-07-21T14:25:06Z) - 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) - Manifold learning-based polynomial chaos expansions for high-dimensional
surrogate models [0.0]
システム記述における不確実性定量化(UQ)のための多様体学習に基づく手法を提案する。
提案手法は高精度な近似を達成でき、UQタスクの大幅な高速化につながる。
論文 参考訳(メタデータ) (2021-07-21T00:24:15Z) - 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) - Misspecification-robust likelihood-free inference in high dimensions [9.514562526751481]
本稿では,ベイズ最適化に基づく近似離散関数の確率的手法による拡張を提案する。
提案手法は,高次元パラメータ空間に対する計算スケーラビリティを,各パラメータの別個の取得関数と相違点を用いて達成する。
本手法は,100次元空間における標準例による計算効率のよい推論を成功させ,既存のモジュール化ABC法と比較した。
論文 参考訳(メタデータ) (2020-02-21T16:06:11Z)
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。