論文の概要: Model Comparison in Approximate Bayesian Computation
- arxiv url: http://arxiv.org/abs/2203.11276v1
- Date: Tue, 15 Mar 2022 10:24:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-27 05:13:26.922549
- Title: Model Comparison in Approximate Bayesian Computation
- Title(参考訳): 近似ベイズ計算におけるモデル比較
- Authors: Jan Boelts
- Abstract要約: 自然科学における一般的な問題は、観測されたデータに照らして競合するモデルの比較である。
この枠組みは、実際に使用されるほとんどのモデルにとって難解な確率関数の計算に依存している。
ABCにおけるベイズモデルの比較を行うための新しい効率的な手法を提案する。
- 参考スコア(独自算出の注目度): 0.456877715768796
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: A common problem in natural sciences is the comparison of competing models in
the light of observed data. Bayesian model comparison provides a statistically
sound framework for this comparison based on the evidence each model provides
for the data. However, this framework relies on the calculation of likelihood
functions which are intractable for most models used in practice. Previous
approaches in the field of Approximate Bayesian Computation (ABC) circumvent
the evaluation of the likelihood and estimate the model evidence based on
rejection sampling, but they are typically computationally intense. Here, I
propose a new efficient method to perform Bayesian model comparison in ABC.
Based on recent advances in posterior density estimation, the method
approximates the posterior over models in parametric form. In particular, I
train a mixture-density network to map features of the observed data to the
posterior probability of the models. The performance is assessed with two
examples. On a tractable model comparison problem, the underlying exact
posterior probabilities are predicted accurately. In a use-case scenario from
computational neuroscience -- the comparison between two ion channel models --
the underlying ground-truth model is reliably assigned a high posterior
probability. Overall, the method provides a new efficient way to perform
Bayesian model comparison on complex biophysical models independent of the
model architecture.
- Abstract(参考訳): 自然科学における一般的な問題は、観測データの観点から競合するモデルの比較である。
ベイズモデルの比較は、各モデルがデータに対して与える証拠に基づいて、この比較に対して統計的に健全な枠組みを提供する。
しかし、この枠組みは、実際に使用されるほとんどのモデルにとって難解な確率関数の計算に依存している。
近似ベイズ計算(abc)の分野における以前のアプローチは、確率の評価を回避し、拒絶サンプリングに基づくモデル証拠を推定するが、通常は計算量的に強い。
本稿ではABCにおけるベイズモデルの比較を行うための新しい効率的な手法を提案する。
後方密度推定の最近の進歩に基づき、この手法はパラメトリックな形状の後方モデルに近似する。
特に、観測データの特徴をモデルの後方確率にマッピングするために、混合密度ネットワークを訓練します。
パフォーマンスは2つの例で評価されます。
移動可能なモデル比較問題において、正確な後方確率を正確に予測する。
計算神経科学のユースケースシナリオ -- 2つのイオンチャネルモデルの比較 -- では、基盤となる地対流モデルに高い後方確率が確実に割り当てられる。
全体として、この手法はモデルアーキテクチャに依存しない複雑な生体物理モデルに対するベイズモデルの比較を行うための新しい効率的な方法を提供する。
関連論文リスト
- Towards Model-Agnostic Posterior Approximation for Fast and Accurate Variational Autoencoders [22.77397537980102]
我々は,真のモデルの後部の決定論的,モデルに依存しない後部近似(MAPA)を計算可能であることを示す。
我々は,(1)MAPAが真の後部傾向を捉えた低次元合成データに対する予備的な結果を示し,(2)MAPAに基づく推論は,ベースラインよりも少ない計算でより優れた密度推定を行う。
論文 参考訳(メタデータ) (2024-03-13T20:16:21Z) - Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。
LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。
LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
論文 参考訳(メタデータ) (2024-03-11T05:35:38Z) - Evidence Networks: simple losses for fast, amortized, neural Bayesian
model comparison [0.0]
Evidence Networksは、最先端のメソッドがフェールした場合にベイズモデルの比較を可能にする。
リークパリティオード電力変換を導入し、新しいl-POP-Exponential'損失関数を導出する。
Evidence Networks はパラメータ空間の次元性に明示的に依存しており、後続確率密度関数の複雑さと軽度にスケール可能であることを示す。
論文 参考訳(メタデータ) (2023-05-18T18:14:53Z) - Comparing Foundation Models using Data Kernels [13.099029073152257]
基礎モデルの埋め込み空間幾何学を直接比較するための方法論を提案する。
提案手法はランダムグラフ理論に基づいており, 埋め込み類似性の有効な仮説検証を可能にする。
本稿では, 距離関数を付加したモデルの多様体が, 下流の指標と強く相関することを示す。
論文 参考訳(メタデータ) (2023-05-09T02:01:07Z) - Learning from aggregated data with a maximum entropy model [73.63512438583375]
我々は,観測されていない特徴分布を最大エントロピー仮説で近似することにより,ロジスティック回帰と類似した新しいモデルが,集約データからのみ学習されることを示す。
我々は、この方法で学習したモデルが、完全な非凝集データでトレーニングされたロジスティックモデルに匹敵するパフォーマンスを達成することができるという、いくつかの公開データセットに関する実証的な証拠を提示する。
論文 参考訳(メタデータ) (2022-10-05T09:17:27Z) - Bayesian Neural Network Inference via Implicit Models and the Posterior
Predictive Distribution [0.8122270502556371]
本稿では,ベイズニューラルネットワークのような複雑なモデルにおいて,近似ベイズ推論を行うための新しい手法を提案する。
このアプローチはMarkov Chain Monte Carloよりも大規模データに対してスケーラブルである。
これは、サロゲートや物理モデルのような応用に有用であると考えています。
論文 参考訳(メタデータ) (2022-09-06T02:43:19Z) - Sampling from Arbitrary Functions via PSD Models [55.41644538483948]
まず確率分布をモデル化し,そのモデルからサンプリングする。
これらのモデルでは, 少数の評価値を用いて, 高精度に多数の密度を近似することが可能であることが示され, それらのモデルから効果的にサンプルする簡単なアルゴリズムが提示される。
論文 参考訳(メタデータ) (2021-10-20T12:25:22Z) - Estimation of Bivariate Structural Causal Models by Variational Gaussian
Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。
最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文 参考訳(メタデータ) (2021-09-06T14:52:58Z) - Probabilistic Modeling for Human Mesh Recovery [73.11532990173441]
本稿では,2次元の証拠から3次元の人体復元の問題に焦点を当てた。
我々は,この問題を,入力から3Dポーズの分布へのマッピング学習として再考した。
論文 参考訳(メタデータ) (2021-08-26T17:55:11Z) - Evaluating State-of-the-Art Classification Models Against Bayes
Optimality [106.50867011164584]
正規化フローを用いて学習した生成モデルのベイズ誤差を正確に計算できることを示す。
われわれの手法を用いて、最先端の分類モデルについて徹底的な調査を行う。
論文 参考訳(メタデータ) (2021-06-07T06:21:20Z) - Amortized Bayesian model comparison with evidential deep learning [0.12314765641075436]
本稿では,専門的なディープラーニングアーキテクチャを用いたベイズモデルの比較手法を提案する。
提案手法は純粋にシミュレーションベースであり,観測された各データセットに対して,すべての代替モデルを明示的に適合させるステップを回避している。
提案手法は,本研究で検討した事例に対して,精度,キャリブレーション,効率の点で優れた結果が得られることを示す。
論文 参考訳(メタデータ) (2020-04-22T15:15:46Z)
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。