論文の概要: Towards black-box parameter estimation
- arxiv url: http://arxiv.org/abs/2303.15041v1
- Date: Mon, 27 Mar 2023 09:39:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-28 16:08:15.017773
- Title: Towards black-box parameter estimation
- Title（参考訳）: ブラックボックスパラメータ推定に向けて
- Authors: Amanda Lenzi and Haavard Rue
- Abstract要約: 弱いパラメータ構造仮定に基づいて統計モデルのパラメータを推定する新しいブラックボックス手法を開発した。
頻繁な頻度で構造化された確率に対して、これは、広範囲なシミュレートされたデータベース上でディープニューラルネットワークを事前トレーニングすることで達成される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning algorithms have recently shown to be a successful tool in
estimating parameters of statistical models for which simulation is easy, but
likelihood computation is challenging. But the success of these approaches
depends on simulating parameters that sufficiently reproduce the observed data,
and, at present, there is a lack of efficient methods to produce these
simulations. We develop new black-box procedures to estimate parameters of
statistical models based only on weak parameter structure assumptions. For
well-structured likelihoods with frequent occurrences, such as in time series,
this is achieved by pre-training a deep neural network on an extensive
simulated database that covers a wide range of data sizes. For other types of
complex dependencies, an iterative algorithm guides simulations to the correct
parameter region in multiple rounds. These approaches can successfully estimate
and quantify the uncertainty of parameters from non-Gaussian models with
complex spatial and temporal dependencies. The success of our methods is a
first step towards a fully flexible automatic black-box estimation framework.
- Abstract（参考訳）: ディープラーニングアルゴリズムは、シミュレーションが容易だが可能性計算が難しい統計モデルのパラメータを推定するのに成功している。
しかし、これらの手法の成功は、観測されたデータを十分に再現するパラメータをシミュレートすることに依存し、現在、これらのシミュレーションを作成するための効率的な方法が欠如している。
弱パラメータ構造仮定のみに基づいて統計モデルのパラメータを推定する新しいブラックボックス手法を開発した。
時系列のような頻繁な発生を伴う十分に構造化された可能性に対して、幅広いデータサイズをカバーする広範なシミュレーションデータベース上で、ディープニューラルネットワークを事前トレーニングすることで実現される。
他の複雑な依存関係に対して、反復アルゴリズムは複数のラウンドで正しいパラメータ領域にシミュレーションを誘導する。
これらのアプローチは、複雑な空間的および時間的依存を持つ非ガウスモデルからパラメータの不確かさを推定し、定量化することができる。
我々の手法の成功は、完全に柔軟な自動ブラックボックス推定フレームワークへの第一歩である。
関連論文リスト
- 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) - Towards Learning Stochastic Population Models by Gradient Descent [0.0]
パラメータと構造を同時に推定することで,最適化手法に大きな課題が生じることを示す。
モデルの正確な推定を実証するが、擬似的、解釈可能なモデルの推論を強制することは、難易度を劇的に高める。
論文 参考訳（メタデータ） (2024-04-10T14:38:58Z) - Fast Shapley Value Estimation: A Unified Approach [71.92014859992263]
冗長な手法を排除し、単純で効率的なシェープリー推定器SimSHAPを提案する。
既存手法の解析において、推定器は特徴部分集合からランダムに要約された値の線形変換として統一可能であることを観察する。
実験により,SimSHAPの有効性が検証され,精度の高いShapley値の計算が大幅に高速化された。
論文 参考訳（メタデータ） (2023-11-02T06:09:24Z) - Neural Likelihood Approximation for Integer Valued Time Series Data [0.0]
我々は、基礎となるモデルの無条件シミュレーションを用いて訓練できるニューラルな可能性近似を構築した。
本手法は,多くの生態学的および疫学的モデルを用いて推定を行うことにより実証する。
論文 参考訳（メタデータ） (2023-10-19T07:51:39Z) - Learning minimal representations of stochastic processes with
variational autoencoders [52.99137594502433]
プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。
我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
論文 参考訳（メタデータ） (2023-07-21T14:25:06Z) - Online estimation methods for irregular autoregressive models [0.0]
現在、この問題に対処するための方法として、いわゆるオンライン学習法では、現在のパラメータ推定と新しいデータを用いて推定値を更新している。
本研究では,時系列モデルの文脈におけるパラメータ推定のための3つのオンライン学習アルゴリズムについて考察する。
論文 参考訳（メタデータ） (2023-01-31T19:52:04Z) - Embed and Emulate: Learning to estimate parameters of dynamical systems
with uncertainty quantification [11.353411236854582]
本稿では,高次元力学系の不確実性を考慮したパラメータ推定のための学習エミュレータについて検討する。
私たちのタスクは、基礎となるパラメータの可能性のある値の範囲を正確に見積もることです。
結合した396次元のマルチスケールロレンツ96系において,本手法は典型的なパラメータ推定法よりも優れていた。
論文 参考訳（メタデータ） (2022-11-03T01:59:20Z) - Sparse high-dimensional linear regression with a partitioned empirical
Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。
パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。
提案手法はRパッケージプローブに実装されている。
論文 参考訳（メタデータ） (2022-09-16T19:15:50Z) - 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) - 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) - Instability, Computational Efficiency and Statistical Accuracy [101.32305022521024]
我々は,人口レベルでのアルゴリズムの決定論的収束率と,$n$サンプルに基づく経験的対象に適用した場合の(不安定性)の間の相互作用に基づいて,統計的精度を得るフレームワークを開発する。
本稿では,ガウス混合推定,非線形回帰モデル,情報的非応答モデルなど,いくつかの具体的なモデルに対する一般結果の応用について述べる。
論文 参考訳（メタデータ） (2020-05-22T22:30:52Z)
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。