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

• sbi reloaded: a toolkit for simulation-based inference workflows [15.696312591547283]
  $texttsbi$は、ニューラルネットワークに基づいたベイズSBIアルゴリズムを実装するPyTorchベースのパッケージである。 texttsbi$ツールキットを使えば、科学者やエンジニアが最先端のSBIメソッドをブラックボックスシミュレータに適用できる。
  論文  参考訳（メタデータ） (2024-11-26T11:31:47Z)
• A Comprehensive Guide to Simulation-based Inference in Computational Biology [5.333122501732079]
  本稿では,複雑な生物モデルに対するSBIアプローチを決定するための包括的ガイドラインを提供する。 本ガイドラインは,実世界のデータを用いた細胞動態を記述する2つのエージェントベースモデルに適用する。 ニューラルSBI法は推論結果のシミュレーションを著しく少なく要求するが、偏りのある推定を行う傾向にある。
  論文  参考訳（メタデータ） (2024-09-29T12:04:03Z)
• Modern Neighborhood Components Analysis: A Deep Tabular Baseline Two Decades Later [59.88557193062348]
  我々は、インスタンス間のセマンティックな類似性をキャプチャする線形射影を学習するために設計された古典的近傍成分分析(NCA)を再考する。 学習目的の調整や深層学習アーキテクチャの統合といった微調整は,NAAの性能を著しく向上させることがわかった。 また,提案したModernNCAの効率性と予測精度を向上する,近隣のサンプリング戦略も導入する。
  論文  参考訳（メタデータ） (2024-07-03T16:38:57Z)
• 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)
• Fast, accurate and lightweight sequential simulation-based inference using Gaussian locally linear mappings [0.820217860574125]
  シミュレーションベース推論(SBI)の代替として,確率と後部分布の両方を近似する手法を提案する。 提案手法は,マルチモーダル後部であっても,最先端NNベースのSBI法と比較して正確な後部推測を導出する。 本研究は,SBI文献から得られたいくつかのベンチマークモデルと,mRNAトランスフェクション後の翻訳動態の生物学的モデルについて述べる。
  論文  参考訳（メタデータ） (2024-03-12T09:48:17Z)
• 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)
• 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)
• 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。