論文の概要: Fast Optimal Estimation with Intractable Models using Permutation-Invariant Neural Networks

• arxiv url: http://arxiv.org/abs/2208.12942v1
• Date: Sat, 27 Aug 2022 06:58:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-30 14:28:24.158685
• Title: Fast Optimal Estimation with Intractable Models using Permutation-Invariant Neural Networks
• Title（参考訳）: 置換不変ニューラルネットワークを用いた難解モデルによる高速最適推定
• Authors: Matthew Sainsbury-Dale, Andrew Zammit-Mangion, and Rapha\"el Huser
• Abstract要約: 我々は、任意のモデルに対するベイズ推定器を構築するために、置換不変ニューラルネットワークが理想的に配置されていることを議論するために、決定理論の枠組みを用いる。 ネットワーク設計において、複製を適切に考慮しない神経推定器をかなり上回っていることを示す。 我々は,紅海の海面温度の空間的解析に推定器を適用した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural networks have recently shown promise for likelihood-free inference, providing orders-of-magnitude speed-ups over classical methods. However, current implementations are suboptimal when estimating parameters from independent replicates. In this paper, we use a decision-theoretic framework to argue that permutation-invariant neural networks are ideally placed for constructing Bayes estimators for arbitrary models, provided that simulation from these models is straightforward. We illustrate the potential of these estimators on both conventional spatial models, as well as highly parameterised spatial-extremes models, and show that they considerably outperform neural estimators that do not account for replication appropriately in their network design. At the same time, they are highly competitive and much faster than traditional likelihood-based estimators. We apply our estimator on a spatial analysis of sea-surface temperature in the Red Sea where, after training, we obtain parameter estimates, and uncertainty quantification of the estimates via bootstrap sampling, from hundreds of spatial fields in a fraction of a second.
• Abstract（参考訳）: ニューラルネットワークは、最近、古典的手法よりも桁違いなスピードアップを提供する、可能性のない推論を約束している。 しかし、現在の実装は独立した複製からパラメータを推定する場合に最適ではない。 本稿では、任意のモデルに対するベイズ推定器を構築するために、置換不変ニューラルネットワークが理想的に配置されていると主張するために、決定論的枠組みを用いる。 従来の空間モデルと高パラメータ化空間エクストリームモデルの両方において、これらの推定器の潜在可能性を示し、ネットワーク設計における複製を適切に考慮しない神経推定器よりもかなり優れていることを示す。 同時に、彼らは競争力が高く、従来の可能性に基づく推定よりもはるかに速い。 我々は,紅海における海面温度の空間的解析に適用し,訓練後,数百の空間場からブートストラップサンプリングにより推定値のパラメータ推定と不確かさの定量化を行う。

関連論文リスト

• Trade-Offs of Diagonal Fisher Information Matrix Estimators [53.35448232352667]
  Fisher情報行列は、ニューラルネットワークのパラメータ空間の局所幾何学を特徴付けるのに使うことができる。 精度とサンプルの複雑さが関連する分散に依存する2つの人気推定器について検討する。 分散のバウンダリを導出し、回帰と分類のためにニューラルネットワークでそれらをインスタンス化する。
  論文  参考訳（メタデータ） (2024-02-08T03:29:10Z)
• Neural Bayes Estimators for Irregular Spatial Data using Graph Neural Networks [0.0]
  グラフニューラルネットワークを用いて任意の空間的位置から収集したデータからパラメータ点推定の問題に対処する。 ニューラルベイズ推定を不規則な空間データに拡張することに加えて、我々のアーキテクチャは相当な計算上の利点をもたらす。
  論文  参考訳（メタデータ） (2023-10-04T06:13:22Z)
• Neural Bayes estimators for censored inference with peaks-over-threshold models [0.0]
  ニューラルベイズ推定器を用いた確率自由推定の進歩に基づいて、検閲されたピーク・オー・スレッショルドモデルのための高効率な推定器を開発する。 我々の新しい手法は、空間的極端依存モデルに対する従来の検閲された可能性に基づく推論手法に挑戦する。
  論文  参考訳（メタデータ） (2023-06-27T17:36:14Z)
• Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
  ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。 提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。 我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
  論文  参考訳（メタデータ） (2022-09-26T17:59:58Z)
• Can pruning improve certified robustness of neural networks? [106.03070538582222]
  ニューラルネット・プルーニングはディープ・ニューラル・ネットワーク(NN)の実証的ロバスト性を向上させることができることを示す。 実験の結果,NNを適切に刈り取ることで,その精度を8.2%まで向上させることができることがわかった。 さらに,認証された宝くじの存在が,従来の密集モデルの標準および認証された堅牢な精度に一致することを観察する。
  論文  参考訳（メタデータ） (2022-06-15T05:48:51Z)
• Deep Impulse Responses: Estimating and Parameterizing Filters with Deep Networks [76.830358429947]
  高雑音および地中設定におけるインパルス応答推定は難しい問題である。 本稿では,ニューラル表現学習の最近の進歩に基づいて,インパルス応答のパラメータ化と推定を行う新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T18:57:23Z)
• Neural Networks for Parameter Estimation in Intractable Models [0.0]
  本稿では,最大安定過程からパラメータを推定する方法を示す。 モデルシミュレーションのデータを入力として使用し,統計的パラメータを学習するために深層ニューラルネットワークを訓練する。
  論文  参考訳（メタデータ） (2021-07-29T21:59:48Z)
• Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
  ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。 LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。 標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
  論文  参考訳（メタデータ） (2021-06-23T18:00:05Z)
• The Compact Support Neural Network [6.47243430672461]
  本研究では, 標準ドット生成物に基づくニューロンとRBFニューロンを, 形状パラメータの2つの極端な場合として提示する。 トレーニングされた標準ニューラルネットワークから始めて、必要な値まで形状パラメータを徐々に増加させることで、そのようなニューロンによるニューラルネットワークのトレーニングの難しさを回避する方法を示す。
  論文  参考訳（メタデータ） (2021-04-01T06:08:09Z)
• Robust and integrative Bayesian neural networks for likelihood-free parameter inference [0.0]
  要約統計を学習するための最先端のニューラルネットワークベースの手法は、シミュレーションベースの確率自由パラメータ推論に有望な結果をもたらした。 本研究では,ベイズニューラルネットワークを用いて要約統計学を学習し,カテゴリー分布を用いて後部密度を直接推定する頑健な統合手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T13:45:23Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。