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

• Step-by-Step Reasoning for Math Problems via Twisted Sequential Monte Carlo [55.452453947359736]
  Twisted Sequential Monte Carlo(TSMC)に基づく新しい検証手法を提案する。 TSMCを大規模言語モデルに適用し、部分解に対する将来的な報酬を推定する。 このアプローチは、ステップワイドなヒューマンアノテーションを必要としない、より直接的なトレーニングターゲットをもたらす。
  論文  参考訳（メタデータ） (2024-10-02T18:17:54Z)
• Preconditioned Neural Posterior Estimation for Likelihood-free Inference [5.651060979874024]
  本稿では,低次元問題においても,神経後部推定法(NPE)の精度は高くないことを示す。 我々は,ABCの短い動作でパラメータ空間の領域を効果的に排除し,シミュレーションとデータ間の大きな相違を生じさせる,プレコンディション付きNPEとそのシーケンシャルバージョン(PSNPE)を提案する。 本稿では, ニューラルネットワークと統計的SBI法を融合させることにより, 様々な事例において性能が向上することを示す。
  論文  参考訳（メタデータ） (2024-04-21T07:05:38Z)
• All-in-one simulation-based inference [19.41881319338419]
  我々は、現在の制限を克服する新しい償却推論手法、Simformerを提案する。 Simformerは、ベンチマークタスクにおける現在の最先端の償却推論アプローチより優れています。 関数値パラメータを持つモデルに適用することができ、欠落または非構造化データによる推論シナリオを処理でき、パラメータとデータの合同分布の任意の条件をサンプリングすることができる。
  論文  参考訳（メタデータ） (2024-04-15T10:12:33Z)
• 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)
• An efficient likelihood-free Bayesian inference method based on sequential neural posterior estimation [0.6749750044497732]
  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)
• 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)
• 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)

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。