論文の概要: GATSBI: Generative Adversarial Training for Simulation-Based Inference
- arxiv url: http://arxiv.org/abs/2203.06481v1
- Date: Sat, 12 Mar 2022 16:33:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-15 14:37:03.682659
- Title: GATSBI: Generative Adversarial Training for Simulation-Based Inference
- Title(参考訳): GATSBI:シミュレーションに基づく推論のためのジェネレーティブ・アドバイサル・トレーニング
- Authors: Poornima Ramesh, Jan-Matthis Lueckmann, Jan Boelts, \'Alvaro
Tejero-Cantero, David S. Greenberg, Pedro J. Gon\c{c}alves, Jakob H. Macke
- Abstract要約: GAN(Generative Adversarial Network)は明確な可能性を必要としない。
GAT SBIは、暗黙の後部分布を学習するための対向的な設定における変分目的を再構成する。
GAT SBIによる推論は、観測によって改善され、高次元の後方空間で機能し、暗黙の先行をサポートする。
- 参考スコア(独自算出の注目度): 4.279381060273715
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Simulation-based inference (SBI) refers to statistical inference on
stochastic models for which we can generate samples, but not compute
likelihoods. Like SBI algorithms, generative adversarial networks (GANs) do not
require explicit likelihoods. We study the relationship between SBI and GANs,
and introduce GATSBI, an adversarial approach to SBI. GATSBI reformulates the
variational objective in an adversarial setting to learn implicit posterior
distributions. Inference with GATSBI is amortised across observations, works in
high-dimensional posterior spaces and supports implicit priors. We evaluate
GATSBI on two SBI benchmark problems and on two high-dimensional simulators. On
a model for wave propagation on the surface of a shallow water body, we show
that GATSBI can return well-calibrated posterior estimates even in high
dimensions. On a model of camera optics, it infers a high-dimensional posterior
given an implicit prior, and performs better than a state-of-the-art SBI
approach. We also show how GATSBI can be extended to perform sequential
posterior estimation to focus on individual observations. Overall, GATSBI opens
up opportunities for leveraging advances in GANs to perform Bayesian inference
on high-dimensional simulation-based models.
- Abstract(参考訳): シミュレーションベース推論(SBI)とは、確率モデルにおける統計的推論のことであり、サンプルを生成できるが、確率は計算できない。
SBIアルゴリズムと同様に、生成敵対ネットワーク(GAN)は明確な可能性を必要としない。
SBI と GAN の関係について検討し,SBI に対する敵対的アプローチである GATSBI を導入する。
GATSBIは、暗黙の後方分布を学習するために、敵の設定における変動目標を再構成する。
GATSBIによる推論は、高次元の後方空間で機能し、暗黙の先行をサポートする。
2つのSBIベンチマーク問題と2つの高次元シミュレータ上でGATSBIを評価する。
浅層水域表面における波動伝播モデルにおいて, GATSBIは高次元でもよく校正された後方推定値を返すことができることを示す。
カメラ光学のモデルでは、暗黙の先行を与えられた高次元の後方を推定し、最先端のSBIアプローチよりも優れた性能を発揮する。
また,GATSBIを拡張して連続的な後続推定を行い,個々の観測に集中できることを示す。
GATSBIは、GANの進歩を活用する機会を開放し、高次元シミュレーションベースモデルでベイズ推定を行う。
関連論文リスト
- Fast, accurate and lightweight sequential simulation-based inference
using Gaussian locally linear mappings [0.8799674132085932]
シミュレーションベース推論」は、難解な確率で複雑なモデルに取り組むために用いられる。
近年のSBI法では、ニューラルネットワーク(NN)を用いて、不可能な可能性関数と後部分布の近似的かつ表現的な構造を提供している。
本稿では,確率分布の構造化混合を用いて,確率分布と後部分布の両方を近似する手法を提案する。
論文 参考訳(メタデータ) (2024-03-12T09:48:17Z) - Pseudo-Likelihood Inference [16.934708242852558]
Pseudo-Likelihood Inference (PLI)は、ABCに神経近似をもたらす新しい方法であり、ベイズシステムの識別に挑戦するタスクと競合する。
PLIは、勾配降下による神経後葉の最適化を可能にし、要約統計に頼らず、入力として複数の観察を可能にする。
PLIの有効性は、4つの古典的SBIベンチマークタスクと非常にダイナミックな物理システムで評価される。
論文 参考訳(メタデータ) (2023-11-28T10:17:52Z) - 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) - Generalized Bayesian Inference for Scientific Simulators via Amortized
Cost Estimation [11.375835331641548]
ニューラルネットワークをトレーニングしてコスト関数を近似し、パラメータと観測データとの予測距離と定義する。
いくつかのベンチマークタスクにおいて、ACEはコストを正確に予測し、他のSBI法よりも合成観測に近い予測シミュレーションを提供する。
論文 参考訳(メタデータ) (2023-05-24T14:45:03Z) - Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。
また、局所的な一貫性の結果に基づいた理論的保証も提供する。
この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
論文 参考訳(メタデータ) (2022-11-17T15:48:06Z) - Efficient identification of informative features in simulation-based
inference [5.538076164981993]
訓練後, 後部を推測し, 特徴の寄与度を評価する前に, 訓練後のサロゲート確率を極端に評価できることが示唆された。
本稿では,HHニューロンモデルのパラメータを推定する上で最も重要な特徴を同定し,本手法の有用性を示す。
論文 参考訳(メタデータ) (2022-10-21T12:35:46Z) - Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。
OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。
我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
論文 参考訳(メタデータ) (2022-09-12T09:19:22Z) - 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) - Siamese Neural Network with Joint Bayesian Model Structure for Speaker
Verification [54.96267179988487]
本稿では,話者検証のための新しいサイムズニューラルネットワーク(SiamNN)を提案する。
サンプルの結合分布は、JB(Joint Bayesian)に基づく生成モデルに基づいて最初に定式化される。
話者照合のための二項識別タスクとして,ペアワイズしたサンプルを用いてモデルパラメータを訓練する。
論文 参考訳(メタデータ) (2021-04-07T09:17:29Z) - Collaborative Video Object Segmentation by Multi-Scale
Foreground-Background Integration [77.71512243438329]
本稿では,フォアグラウンド・バックグラウンド統合(CFBI)による協調的ビデオオブジェクトセグメンテーションを提案する。
CFBIは、前景のオブジェクト領域とその対応する背景領域に埋め込まれた特徴を分離し、暗黙的にそれらをよりコントラストにし、それに応じてセグメンテーション結果を改善する。
CFBIをベースとして,マルチスケールのマッチング構造を導入し,より堅牢で効率的なフレームワークであるCFBI+を実現するAtrous Matching戦略を提案する。
論文 参考訳(メタデータ) (2020-10-13T13:06:10Z) - SBI -- A toolkit for simulation-based inference [0.0]
シミュレーションベースの推論 (SBI) は、a) が先行知識と互換性があり、b) が経験的観察と一致するパラメータ集合を識別しようとする。
ニューラルネットワークに基づくSBIアルゴリズムを実装したPyTorchベースのパッケージであるtextttsbi$を提示する。
論文 参考訳(メタデータ) (2020-07-17T16:53:51Z)
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。