論文の概要: Truncated proposals for scalable and hassle-free simulation-based
inference
- arxiv url: http://arxiv.org/abs/2210.04815v1
- Date: Mon, 10 Oct 2022 16:25:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 15:24:51.522428
- Title: Truncated proposals for scalable and hassle-free simulation-based
inference
- Title(参考訳): スケーラブルでハードルフリーなシミュレーションベース推論の提案
- Authors: Michael Deistler, Pedro J Goncalves, Jakob H Macke
- Abstract要約: 以下は、TSNPE(Trncated Sequential Neural Posterior Estimation)の略である。
TSNPEは、競合する提案を逐次推論し、代替アプローチの最適化問題をサイドステッピングする。
TSNPEが確立したベンチマークタスクにおいて,従来の手法と同等に動作することを示す。
- 参考スコア(独自算出の注目度): 3.308743964406687
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Simulation-based inference (SBI) solves statistical inverse problems by
repeatedly running a stochastic simulator and inferring posterior distributions
from model-simulations. To improve simulation efficiency, several inference
methods take a sequential approach and iteratively adapt the proposal
distributions from which model simulations are generated. However, many of
these sequential methods are difficult to use in practice, both because the
resulting optimisation problems can be challenging and efficient diagnostic
tools are lacking. To overcome these issues, we present Truncated Sequential
Neural Posterior Estimation (TSNPE). TSNPE performs sequential inference with
truncated proposals, sidestepping the optimisation issues of alternative
approaches. In addition, TSNPE allows to efficiently perform coverage tests
that can scale to complex models with many parameters. We demonstrate that
TSNPE performs on par with previous methods on established benchmark tasks. We
then apply TSNPE to two challenging problems from neuroscience and show that
TSNPE can successfully obtain the posterior distributions, whereas previous
methods fail. Overall, our results demonstrate that TSNPE is an efficient,
accurate, and robust inference method that can scale to challenging scientific
models.
- Abstract(参考訳): シミュレーションベース推論(sbi)は、確率的シミュレータを繰り返し実行し、モデルシミュレーションから後方分布を推測することで、統計的逆問題を解く。
シミュレーション効率を向上させるために、複数の推論手法が逐次的アプローチをとり、モデルシミュレーションを生成する提案分布を反復的に適応する。
しかし、これらのシーケンシャルな手法の多くは、結果の最適化問題は困難であり、効率的な診断ツールが欠如しているため、実際に使用するのが困難である。
これらの課題を克服するために、TSNPE(Trncated Sequential Neural Posterior Estimation)を提案する。
TSNPEは、競合する提案を逐次推論し、代替アプローチの最適化問題をサイドステッピングする。
さらにTSNPEは、多くのパラメータを持つ複雑なモデルにスケール可能なカバレッジテストを効率的に実行することができる。
TSNPEが確立したベンチマークタスクにおいて,従来の手法と同等に動作することを示す。
その後,神経科学の課題である2つの課題にtsnpeを適用し,tsnpeが後方分布の獲得に成功できることを示した。
以上の結果から,TSNPEは科学的モデルにスケール可能な,効率的で正確かつ堅牢な推論手法であることが示された。
関連論文リスト
- 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) - An efficient likelihood-free Bayesian inference method based on
sequential neural posterior estimation [0.7373617024876725]
SNPE技術はニューラルネットワークに基づく条件密度推定器を用いて逐次シミュレーションから後部を学習する。
SNPE法は、キャリブレーションカーネルを用いて観測データの周囲のサンプル重量を増大させ、集中的な損失関数をもたらす。
本稿では,適応キャリブレーションカーネルと分散低減技術を用いてSNPEの安定性を向上させることを提案する。
論文 参考訳(メタデータ) (2023-11-21T11:21:53Z) - Distributionally Robust Model-based Reinforcement Learning with Large
State Spaces [55.14361269378122]
強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。
広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。
本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
論文 参考訳(メタデータ) (2023-09-05T13:42:11Z) - Benchmarking the Reliability of Post-training Quantization: a Particular
Focus on Worst-case Performance [53.45700148820669]
ポストトレーニング量子化(PTQ)は、独自のアーキテクチャやトレーニング手順を変更することなく、ディープニューラルネットワーク(DNN)を圧縮するための一般的な方法である。
その有効性と利便性にもかかわらず、分散シフトやデータノイズといった極端ケースの存在下でのPTQ手法の信頼性は明らかにされていない。
そこで本研究では,様々なPTQ手法を用いてこの問題について検討する。
論文 参考訳(メタデータ) (2023-03-23T02:55:50Z) - Faster Adaptive Federated Learning [84.38913517122619]
フェデレートラーニングは分散データの出現に伴って注目を集めている。
本稿では,クロスサイロFLにおけるモーメントに基づく分散低減手法に基づく適応アルゴリズム(FAFED)を提案する。
論文 参考訳(メタデータ) (2022-12-02T05:07:50Z) - Entropic Neural Optimal Transport via Diffusion Processes [105.34822201378763]
本稿では,連続確率分布間のエントロピー最適輸送(EOT)計画を計算するための新しいアルゴリズムを提案する。
提案アルゴリズムは,シュリンガーブリッジ問題(Schr"odinger Bridge problem)として知られるEOTの動的バージョンのサドル点再構成に基づく。
大規模EOTの従来の手法とは対照的に,我々のアルゴリズムはエンドツーエンドであり,単一の学習ステップで構成されている。
論文 参考訳(メタデータ) (2022-11-02T14:35:13Z) - Efficient Test-Time Model Adaptation without Forgetting [60.36499845014649]
テストタイム適応は、トレーニングとテストデータの間の潜在的な分散シフトに取り組むことを目指している。
信頼性および非冗長なサンプルを同定するためのアクティブなサンプル選択基準を提案する。
また、重要なモデルパラメータを劇的な変化から制約するFisher regularizerを導入します。
論文 参考訳(メタデータ) (2022-04-06T06:39:40Z) - Variational methods for simulation-based inference [3.308743964406687]
逐次ニューラル変分推論(SNVI)は、難易度のあるモデルにおいてベイズ推論を行うためのアプローチである。
SNVIは、確率推定と変分推論を組み合わせることで、スケーラブルなシミュレーションベースの推論アプローチを実現する。
論文 参考訳(メタデータ) (2022-03-08T16:06:37Z) - 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) - DISCO: Double Likelihood-free Inference Stochastic Control [29.84276469617019]
確率自由推論のためのベイズ統計学における現代シミュレータのパワーと最近の技術を活用することを提案する。
シミュレーションパラメータの後方分布は、システムの潜在的非解析モデルによって伝播される。
実験により、制御器の提案により、古典的な制御やロボット工学のタスクにおいて、優れた性能と堅牢性が得られることが示された。
論文 参考訳(メタデータ) (2020-02-18T05:29:40Z)
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。