論文の概要: Variational methods for simulation-based inference
- arxiv url: http://arxiv.org/abs/2203.04176v1
- Date: Tue, 8 Mar 2022 16:06:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-09 13:47:10.085655
- Title: Variational methods 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変分法
- Authors: Manuel Gl\"ockler, Michael Deistler, Jakob H. Macke
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 3.308743964406687
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We present Sequential Neural Variational Inference (SNVI), an approach to
perform Bayesian inference in models with intractable likelihoods. SNVI
combines likelihood-estimation (or likelihood-ratio-estimation) with
variational inference to achieve a scalable simulation-based inference
approach. SNVI maintains the flexibility of likelihood(-ratio) estimation to
allow arbitrary proposals for simulations, while simultaneously providing a
functional estimate of the posterior distribution without requiring MCMC
sampling. We present several variants of SNVI and demonstrate that they are
substantially more computationally efficient than previous algorithms, without
loss of accuracy on benchmark tasks. We apply SNVI to a neuroscience model of
the pyloric network in the crab and demonstrate that it can infer the posterior
distribution with one order of magnitude fewer simulations than previously
reported. SNVI vastly reduces the computational cost of simulation-based
inference while maintaining accuracy and flexibility, making it possible to
tackle problems that were previously inaccessible.
- Abstract(参考訳): 我々は,難解な確率を持つモデルにおいてベイズ推論を行う手法であるシーケンシャルニューラル変分推論(snvi)を提案する。
SNVIは、確率推定(または確率比推定)と変分推論を組み合わせて、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。
SNVIは確率(比)推定の柔軟性を維持し、シミュレーションの任意の提案を可能にすると同時に、MCMCサンプリングを必要とせずに後部分布の関数的推定を提供する。
SNVIの変種をいくつか提示し,ベンチマークの精度を損なうことなく,従来のアルゴリズムよりも計算効率が高いことを示した。
本研究では, カニのピロリックネットワークの神経科学モデルにSNVIを適用し, これまでに報告されたシミュレーションよりも1桁少ないシミュレーションで後部分布を推定できることを実証した。
SNVIは精度と柔軟性を維持しながらシミュレーションベースの推論の計算コストを大幅に削減し、これまでアクセスできなかった問題に対処できるようにする。
関連論文リスト
- Simulation-Based Inference with Quantile Regression [0.0]
条件付き量子化回帰に基づく新しいシミュレーションベース推論(SBI)手法であるニューラル量子化推定(NQE)を提案する。
NQEは、各後次元の個々の1次元量子を自己回帰的に学習し、データとそれ以前の後次元に条件付けする。
提案手法は, 様々なベンチマーク問題に対して, 最先端性能を実現することを実証する。
論文 参考訳(メタデータ) (2024-01-04T18:53:50Z) - Diffusion models for probabilistic programming [56.47577824219207]
拡散モデル変分推論(DMVI)は確率型プログラミング言語(PPL)における自動近似推論手法である
DMVIは実装が容易で、例えば正規化フローを用いた変分推論の欠点を伴わずに、PPLでヘイズルフリー推論が可能であり、基礎となるニューラルネットワークモデルに制約を課さない。
論文 参考訳(メタデータ) (2023-11-01T12:17:05Z) - Calibrating Neural Simulation-Based Inference with Differentiable
Coverage Probability [50.44439018155837]
ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。
古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。
既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
論文 参考訳(メタデータ) (2023-10-20T10:20:45Z) - 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) - Adaptive Conditional Quantile Neural Processes [9.066817971329899]
条件量子ニューラルプロセス(CQNP)は、ニューラルプロセスファミリーの新たなメンバーである。
本稿では,情報量推定に焦点をあてることから学習する量子レグレッションの拡張を提案する。
実データと合成データセットによる実験は、予測性能を大幅に改善した。
論文 参考訳(メタデータ) (2023-05-30T06:19:19Z) - Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。
勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
論文 参考訳(メタデータ) (2022-07-12T16:08:04Z) - Nonparametric likelihood-free inference with Jensen-Shannon divergence
for simulator-based models with categorical output [1.4298334143083322]
シミュレータに基づく統計モデルに対する自由な推論は、機械学習と統計のコミュニティの両方において、関心の高まりを招いている。
本稿では、Jensen-Shannon- divergenceの計算特性を用いて、モデルパラメータに対する推定、仮説テスト、信頼区間の構築を可能にする理論的結果のセットを導出する。
このような近似はより集中的なアプローチの素早い代替手段であり、シミュレーターベースモデルの多種多様な応用には魅力的である。
論文 参考訳(メタデータ) (2022-05-22T18:00:13Z) - 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) - Posterior-Aided Regularization for Likelihood-Free Inference [23.708122045184698]
後補助正規化(PAR)は,モデル構造に関係なく,密度推定器の学習に適用可能である。
単一のニューラルネットワークを用いて逆KL項と相互情報項の両方を推定するPARの統一推定方法を提供する。
論文 参考訳(メタデータ) (2021-02-15T16:59:30Z)
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。