論文の概要: Sequential Neural Score Estimation: Likelihood-Free Inference with
Conditional Score Based Diffusion Models
- arxiv url: http://arxiv.org/abs/2210.04872v1
- Date: Mon, 10 Oct 2022 17:45:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 15:24:33.930206
- Title: Sequential Neural Score Estimation: Likelihood-Free Inference with
Conditional Score Based Diffusion Models
- Title(参考訳): 逐次ニューラルスコア推定:条件付きスコアに基づく拡散モデルによる自由推論
- Authors: Louis Sharrock, Jack Simons, Song Liu, Mark Beaumont
- Abstract要約: シミュレーターベースモデルにおけるベイズ推定のための2つの新しいスコアベース手法を提案する。
提案手法は,条件付きスコアベース拡散モデルを用いて,関心の後方分布からサンプルを生成する。
我々は、いくつかの数値的な例で、我々の手法と、それらが暗記されていない、連続しない変種を検証した。
- 参考スコア(独自算出の注目度): 2.564835304640762
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce Sequential Neural Posterior Score Estimation (SNPSE) and
Sequential Neural Likelihood Score Estimation (SNLSE), two new score-based
methods for Bayesian inference in simulator-based models. Our methods, inspired
by the success of score-based methods in generative modelling, leverage
conditional score-based diffusion models to generate samples from the posterior
distribution of interest. These models can be trained using one of two possible
objective functions, one of which approximates the score of the intractable
likelihood, while the other directly estimates the score of the posterior. We
embed these models into a sequential training procedure, which guides
simulations using the current approximation of the posterior at the observation
of interest, thereby reducing the simulation cost. We validate our methods, as
well as their amortised, non-sequential variants, on several numerical
examples, demonstrating comparable or superior performance to existing
state-of-the-art methods such as Sequential Neural Posterior Estimation (SNPE)
and Sequential Neural Likelihood Estimation (SNLE).
- Abstract(参考訳): シミュレーションモデルにおけるベイズ推定のための2つの新しいスコアベース手法であるシーケンシャル・ニューラル・リアス・スコア推定(snpse)とシーケンシャル・ニューラル・ラバース・スコア推定(snlse)を導入する。
本手法は,生成モデルにおけるスコアベース手法の成功に触発され,条件付きスコアベース拡散モデルを用いて興味の後方分布からサンプルを生成する。
これらのモデルは2つの目的関数のうちの1つを使って訓練することができ、そのうちの1つは難解な可能性のスコアを近似し、もう1つは後方のスコアを直接推定する。
我々はこれらのモデルを逐次訓練手順に組み込み、関心の観測時に後部の現在の近似を用いてシミュレーションを誘導し、シミュレーションコストを低減させる。
提案手法は, 逐次的ニューラルネットワーク後推定法 (SNPE) や逐次的ニューラルネットワーク類似度推定法 (SNLE) など, 既存の最先端手法に匹敵する, あるいは優れた性能を示す数値例で検証する。
関連論文リスト
- Analyzing Neural Network-Based Generative Diffusion Models through
Convex Optimization [54.01594785269913]
拡散モデルは画像、ビデオ、オーディオ生成に広く使われている。
スコアベース拡散モデルでは,入力データ分布のスコア関数を推定する必要がある。
この研究は、ニューラルネットワークベースの拡散モデルが漸近的でない環境で何を学ぶかを理解するのに寄与する。
論文 参考訳(メタデータ) (2024-02-03T00:20:25Z) - Efficient computation of predictive probabilities in probit models via
expectation propagation [1.433758865948252]
我々は予測伝搬(EP)によるベイズ確率モデルの予測確率の計算に焦点をあてる。
このような予測確率がクローズドな表現を持つことを示す。
シミュレーションスタディでは、最先端のアプローチの改善が示されている。
論文 参考訳(メタデータ) (2023-09-04T14:21:44Z) - Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。
条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。
提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文 参考訳(メタデータ) (2022-11-30T05:33:29Z) - New Machine Learning Techniques for Simulation-Based Inference:
InferoStatic Nets, Kernel Score Estimation, and Kernel Likelihood Ratio
Estimation [4.415977307120616]
確率密度を標本化できるが直接計算できない場合のスコアと確率比推定器をモデル化する機械学習手法を提案する。
我々はそれぞれKernel Score Estimation (KSE) と Kernel Likelihood Ratio Estimation (KLRE) と呼ばれる新しい戦略を導入し、シミュレーションデータからスコアと確率比関数を学習する。
論文 参考訳(メタデータ) (2022-10-04T15:22:56Z) - Compositional Score Modeling for Simulation-based Inference [28.422049267537965]
両手法の利点を享受する条件付きスコアモデリングに基づく新しい手法を提案する。
提案手法は, サンプル効率が高く, 自然に複数の観測を推定時に集約し, 標準推定手法の欠点を回避することができる。
論文 参考訳(メタデータ) (2022-09-28T17:08:31Z) - Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
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。
論文 参考訳(メタデータ) (2022-07-12T16:08:04Z) - 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) - CSDI: Conditional Score-based Diffusion Models for Probabilistic Time
Series Imputation [107.63407690972139]
Conditional Score-based Diffusion Model for Imputation (CSDI) は、観測データに条件付きスコアベース拡散モデルを利用する新しい時系列計算法である。
CSDIは、一般的なパフォーマンスメトリクスの既存の確率論的計算方法よりも40-70%改善されている。
さらに、Cは最先端の決定論的計算法と比較して誤差を5-20%削減する。
論文 参考訳(メタデータ) (2021-07-07T22:20:24Z) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳(メタデータ) (2021-06-03T12:59:16Z) - Score Matched Conditional Exponential Families for Likelihood-Free
Inference [0.0]
Likelihood-Free Inference (LFI) はモデルからのシミュレーションに依存する。
モデルからパラメータシミュレーションペアを観測に基づいて独立に生成する。
重みをスコアマッチングで調整したニューラルネットワークを用いて,条件付き指数関数的家族度近似を学習する。
論文 参考訳(メタデータ) (2020-12-20T11:57:30Z)
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。