論文の概要: Maximum Likelihood Learning of Unnormalized Models for Simulation-Based
Inference
- arxiv url: http://arxiv.org/abs/2210.14756v2
- Date: Tue, 18 Apr 2023 09:45:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-19 18:22:57.006194
- Title: Maximum Likelihood Learning of Unnormalized Models for Simulation-Based
Inference
- Title(参考訳): シミュレーションに基づく推論のための非正規化モデルの最大確率学習
- Authors: Pierre Glaser, Michael Arbel, Samo Hromadka, Arnaud Doucet, Arthur
Gretton
- Abstract要約: シミュレーションベース推論のための2つの合成確率法を提案する。
本研究では,シミュレータによって生成された合成データを用いて,条件付きエネルギーベースモデル(EBM)を学習する。
本研究は, カニの神経科学ネットワークのモデルに適用し, 各種合成データセット上での両手法の特性を実証する。
- 参考スコア(独自算出の注目度): 44.281860162298564
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce two synthetic likelihood methods for Simulation-Based Inference
(SBI), to conduct either amortized or targeted inference from experimental
observations when a high-fidelity simulator is available. Both methods learn a
conditional energy-based model (EBM) of the likelihood using synthetic data
generated by the simulator, conditioned on parameters drawn from a proposal
distribution. The learned likelihood can then be combined with any prior to
obtain a posterior estimate, from which samples can be drawn using MCMC. Our
methods uniquely combine a flexible Energy-Based Model and the minimization of
a KL loss: this is in contrast to other synthetic likelihood methods, which
either rely on normalizing flows, or minimize score-based objectives; choices
that come with known pitfalls. We demonstrate the properties of both methods on
a range of synthetic datasets, and apply them to a neuroscience model of the
pyloric network in the crab, where our method outperforms prior art for a
fraction of the simulation budget.
- Abstract(参考訳): シミュレーションベース推論(SBI)では,高忠実度シミュレータが利用可能である場合,実験結果から,暗黙的あるいは標的的推論を行うための2つの方法を提案する。
いずれの手法も,提案分布から引き出されたパラメータに基づいて,シミュレータが生成した合成データを用いて条件付エネルギーベースモデル(ebm)を学習する。
得られた確率を事前に組み合わせて後続の推定値を得ることができ、そこからサンプルをMCMCを使って描画することができる。
我々の方法は、フレキシブルエネルギーベースのモデルとkl損失の最小化を一意に組み合わせる:これは、流れを正規化するか、スコアベースの目標を最小化する他の合成確率法とは対照的である。
本手法は,様々な合成データセット上での両手法の特性を実証し,シミュレーション予算のごく一部に対して先行技術よりも優れる,カニの幽門ネットワークの神経科学モデルに適用する。
関連論文リスト
- Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳(メタデータ) (2024-02-19T15:57:39Z) - Simulation-based inference using surjective sequential neural likelihood
estimation [50.24983453990065]
主観的逐次的ニューラルネットワーク類似度推定はシミュレーションに基づく推論の新しい手法である。
データを低次元空間に埋め込むことで、SSNLは高次元データセットに適用する際の従来の可能性ベースの手法が抱えるいくつかの問題を解く。
論文 参考訳(メタデータ) (2023-08-02T10:02:38Z) - Nonparametric likelihood-free inference with Jensen-Shannon divergence
for simulator-based models with categorical output [1.4298334143083322]
シミュレータに基づく統計モデルに対する自由な推論は、機械学習と統計のコミュニティの両方において、関心の高まりを招いている。
本稿では、Jensen-Shannon- divergenceの計算特性を用いて、モデルパラメータに対する推定、仮説テスト、信頼区間の構築を可能にする理論的結果のセットを導出する。
このような近似はより集中的なアプローチの素早い代替手段であり、シミュレーターベースモデルの多種多様な応用には魅力的である。
論文 参考訳(メタデータ) (2022-05-22T18:00:13Z) - 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) - 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) - Autoregressive Score Matching [113.4502004812927]
自動回帰条件スコアモデル(AR-CSM)を提案する。
AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。
本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
論文 参考訳(メタデータ) (2020-10-24T07:01:24Z) - Simulation Assisted Likelihood-free Anomaly Detection [3.479254848034425]
本稿では,モデルに依存しない探索に両方のアプローチを最大限に活用するハイブリッド手法を提案する。
1つの特徴において共振性を持つポテンシャル信号に対して、この新しい手法は、まずパラメータ化再重み付け関数を学習し、与えられたシミュレーションを変形して、データをサイドバンドで整合させる。
重み付けされたシミュレーションによる背景推定により、分類に使用される特徴と共鳴特徴との間には非自明な相関が生じる。
論文 参考訳(メタデータ) (2020-01-14T19:00:09Z)
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。