論文の概要: A Flow-Based Generative Model for Rare-Event Simulation
- arxiv url: http://arxiv.org/abs/2305.07863v1
- Date: Sat, 13 May 2023 08:25:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-16 19:20:14.727562
- Title: A Flow-Based Generative Model for Rare-Event Simulation
- Title(参考訳): 希少事象シミュレーションのためのフローベース生成モデル
- Authors: Lachlan Gibson, Marcus Hoerger, Dirk Kroese
- Abstract要約: 本研究では,正規化フロー生成モデルを用いて,条件分布から直接サンプルをシミュレートする手法を提案する。
希少な分布から直接シミュレートすることで、希少な事象の発生の仕方において重要な洞察を得ることができることを示す。
- 参考スコア(独自算出の注目度): 0.483420384410068
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Solving decision problems in complex, stochastic environments is often
achieved by estimating the expected outcome of decisions via Monte Carlo
sampling. However, sampling may overlook rare, but important events, which can
severely impact the decision making process. We present a method in which a
Normalizing Flow generative model is trained to simulate samples directly from
a conditional distribution given that a rare event occurs. By utilizing
Coupling Flows, our model can, in principle, approximate any sampling
distribution arbitrarily well. By combining the approximation method with
Importance Sampling, highly accurate estimates of complicated integrals and
expectations can be obtained. We include several examples to demonstrate how
the method can be used for efficient sampling and estimation, even in
high-dimensional and rare-event settings. We illustrate that by simulating
directly from a rare-event distribution significant insight can be gained into
the way rare events happen.
- Abstract(参考訳): 複雑で確率的な環境で決定問題を解くことは、モンテカルロサンプリングによる決定の結果を推定することでしばしば達成される。
しかし、サンプリングは稀だが重要な出来事を見落とし、決定プロセスに重大な影響を及ぼす可能性がある。
本稿では,まれな事象が発生した場合の条件分布から直接サンプルをシミュレートする正規化フロー生成モデルを訓練する手法を提案する。
カップリングフローを利用することで,任意のサンプリング分布を任意に近似することができる。
近似法とImportance Smplingを組み合わせることで、複雑な積分と期待値の高精度な推定値が得られる。
本手法を高次元, 希少な設定でも, 効率的なサンプリングと推定に利用できる例をいくつか紹介する。
我々は,レアイベント分布から直接シミュレートすることで,レアイベントの発生方法に大きな洞察を得ることができることを示す。
関連論文リスト
- Generative Modeling with Bayesian Sample Inference [50.07758840675341]
我々はガウス的後代推論の単純な作用から新しい生成モデルを導出する。
生成したサンプルを未知変数として推論することで、ベイズ確率の言語でサンプリングプロセスを定式化する。
我々のモデルは、未知のサンプルを広い初期信念から絞り込むために、一連の予測と後続の更新ステップを使用する。
論文 参考訳(メタデータ) (2025-02-11T14:27:10Z) - Enhanced Importance Sampling through Latent Space Exploration in Normalizing Flows [69.8873421870522]
重要サンプリングはモンテカルロシミュレーションで使われる稀な事象シミュレーション手法である。
正規化フローの潜在空間における提案分布を更新し,より効率的なサンプリング法を提案する。
論文 参考訳(メタデータ) (2025-01-06T21:18:02Z) - User-defined Event Sampling and Uncertainty Quantification in Diffusion
Models for Physical Dynamical Systems [49.75149094527068]
拡散モデルを用いて予測を行い,カオス力学系に対する不確かさの定量化が可能であることを示す。
本研究では,雑音レベルが低下するにつれて真の分布に収束する条件付きスコア関数の確率的近似法を開発する。
推論時に非線形ユーザ定義イベントを条件付きでサンプリングすることができ、分布の尾部からサンプリングした場合でもデータ統計と一致させることができる。
論文 参考訳(メタデータ) (2023-06-13T03:42:03Z) - Efficient Propagation of Uncertainty via Reordering Monte Carlo Samples [0.7087237546722617]
不確実性伝播は、入力変数の不確実性に基づいてモデル出力の不確実性を決定する技術である。
本研究は,全ての試料が平均的に有用であるにもかかわらず,他の試料よりも有用であるとする仮説を考察する。
本稿では、MCサンプルを適応的に並べ替える手法を導入し、UPプロセスの計算コストの削減をもたらす方法を示す。
論文 参考訳(メタデータ) (2023-02-09T21:28:15Z) - Bi-Noising Diffusion: Towards Conditional Diffusion Models with
Generative Restoration Priors [64.24948495708337]
本研究では,事前訓練した非条件拡散モデルを用いて,予測サンプルをトレーニングデータ多様体に導入する手法を提案する。
我々は,超解像,着色,乱流除去,画像劣化作業におけるアプローチの有効性を実証するための総合的な実験を行った。
論文 参考訳(メタデータ) (2022-12-14T17:26:35Z) - Inference in conditioned dynamics through causality restoration [0.0]
条件付き分布から独立したサンプルを生成する方法を提案する。
この方法は一般化された力学モデルのパラメータを学習する。
本手法の重要な応用、すなわち(不完全な)臨床検査による伝染病リスク評価の問題について論じる。
論文 参考訳(メタデータ) (2022-10-18T21:58:58Z) - 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) - Efficiently Sampling Functions from Gaussian Process Posteriors [76.94808614373609]
高速後部サンプリングのための簡易かつ汎用的なアプローチを提案する。
分離されたサンプルパスがガウス過程の後部を通常のコストのごく一部で正確に表現する方法を実証する。
論文 参考訳(メタデータ) (2020-02-21T14:03:16Z)
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。