論文の概要: Neural Posterior Estimation with Differentiable Simulators
- arxiv url: http://arxiv.org/abs/2207.05636v1
- Date: Tue, 12 Jul 2022 16:08:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-13 17:19:08.984355
- Title: Neural Posterior Estimation with Differentiable Simulators
- Title(参考訳): 微分可能シミュレータによる神経後部推定
- Authors: Justine Zeghal, Fran\c{c}ois Lanusse, Alexandre Boucaud, Benjamin
Remy, Eric Aubourg
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 58.720142291102135
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Simulation-Based Inference (SBI) is a promising Bayesian inference framework
that alleviates the need for analytic likelihoods to estimate posterior
distributions. Recent advances using neural density estimators in SBI
algorithms have demonstrated the ability to achieve high-fidelity posteriors,
at the expense of a large number of simulations ; which makes their application
potentially very time-consuming when using complex physical simulations. In
this work we focus on boosting the sample-efficiency of posterior density
estimation using the gradients of the simulator. We present a new method to
perform Neural Posterior Estimation (NPE) with a differentiable simulator. We
demonstrate how gradient information helps constrain the shape of the posterior
and improves sample-efficiency.
- Abstract(参考訳): シミュレーションベース推論(SBI)は、後方分布を推定する分析可能性の必要性を緩和するベイズ推論フレームワークである。
SBIアルゴリズムにおけるニューラル密度推定器を用いた最近の進歩は、多数のシミュレーションを犠牲にして、高忠実度後部を達成できることを示しており、複雑な物理シミュレーションを使用する場合、その応用は非常に時間がかかる可能性がある。
本研究では,シミュレータの勾配を用いた後部密度推定の試料効率の向上に焦点をあてる。
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。
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) - 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) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳(メタデータ) (2022-06-10T04:54:13Z) - 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) - 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) - Truncated Marginal Neural Ratio Estimation [5.438798591410838]
本稿では、シミュレーション効率と高速な実験後テスト容易性を同時に提供するニューラルネットワークシミュレータベースの推論アルゴリズムを提案する。
本手法は関節後部ではなく低次元縁後部を同時に推定することによりシミュレーションを効率化する。
局所的アモータイズ後部を推定することにより,提案アルゴリズムは推論結果のロバスト性の効率的な実証試験を可能にする。
論文 参考訳(メタデータ) (2021-07-02T18:00:03Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳(メタデータ) (2021-06-05T01:31:51Z) - Prediction of progressive lens performance from neural network
simulations [62.997667081978825]
本研究の目的は,畳み込みニューラルネットワーク(CNN)に基づく視覚的視力(VA)予測の枠組みを提案することである。
提案する総合シミュレーションツールは主観的視覚性能の正確なモデルとして機能することが示されている。
論文 参考訳(メタデータ) (2021-03-19T14:51:02Z) - Augmenting Differentiable Simulators with Neural Networks to Close the
Sim2Real Gap [15.1962264049463]
本稿では,ニューラルネットワークを用いた解析モデルの任意の点における拡張を可能にする,剛体力学の微分可能なシミュレーションアーキテクチャを提案する。
論文 参考訳(メタデータ) (2020-07-12T17:27:11Z)
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。