論文の概要: Simultaneous identification of models and parameters of scientific
simulators
- arxiv url: http://arxiv.org/abs/2305.15174v1
- Date: Wed, 24 May 2023 14:06:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-25 15:29:39.993362
- Title: Simultaneous identification of models and parameters of scientific
simulators
- Title(参考訳): 科学シミュレータのモデルとパラメータの同時同定
- Authors: Cornelius Schr\"oder, Jakob H. Macke
- Abstract要約: 我々は,アモートシミュレーションに基づく推論フレームワークを開発した。
固定された候補コンポーネントの集合上で、暗黙的なモデル事前を定義する。
我々はニューラルネットワークをトレーニングし、モデルコンポーネントと関連するパラメータの両方のジョイント確率分布を推定する。
- 参考スコア(独自算出の注目度): 3.908842679355254
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Many scientific models are composed of multiple discrete components, and
scien tists often make heuristic decisions about which components to include.
Bayesian inference provides a mathematical framework for systematically
selecting model components, but defining prior distributions over model
components and developing associated inference schemes has been challenging. We
approach this problem in an amortized simulation-based inference framework: We
define implicit model priors over a fixed set of candidate components and train
neural networks to infer joint probability distributions over both, model
components and associated parameters from simulations. To represent
distributions over model components, we introduce a conditional mixture of
multivariate binary distributions in the Grassmann formalism. Our approach can
be applied to any compositional stochastic simulator without requiring access
to likelihood evaluations. We first illustrate our method on a simple time
series model with redundant components and show that it can retrieve joint
posterior distribution over a set of symbolic expressions and their parameters
while accurately capturing redundancy with strongly correlated posteriors. We
then apply our approach to drift-diffusion models, a commonly used model class
in cognitive neuroscience. After validating the method on synthetic data, we
show that our approach explains experimental data as well as previous methods,
but that our fully probabilistic approach can help to discover multiple
data-consistent model configurations, as well as reveal non-identifiable model
components and parameters. Our method provides a powerful tool for data-driven
scientific inquiry which will allow scientists to systematically identify
essential model components and make uncertainty-informed modelling decisions.
- Abstract(参考訳): 多くの科学モデルは複数の離散成分から構成されており、サイエンティストはしばしばどの成分を含むべきかをヒューリスティックに決定する。
ベイズ推論は、モデルコンポーネントを体系的に選択するための数学的フレームワークを提供するが、モデルコンポーネントに対する事前分布の定義と関連する推論スキームの開発は困難である。
固定された候補コンポーネントの集合上で暗黙的なモデル事前を定義し、ニューラルネットワークをトレーニングし、シミュレーションからモデルコンポーネントと関連するパラメータの両方の結合確率分布を推定する。
モデル成分上の分布を表現するために、グラスマン形式における多変量二元分布の条件混合を導入する。
本手法は,任意の構成確率シミュレータに適用可能である。
まず, 冗長成分を有する簡易時系列モデルを用いて, シンボリック表現とそのパラメータのセット上での関節後縁分布を検索し, 強相関後縁の冗長性を正確に把握できることを示す。
次に,認知神経科学における一般的なモデルクラスであるドリフト拡散モデルに適用する。
提案手法は, 従来手法と同様に実験データを説明するが, 完全確率的手法は複数のデータ一貫性のあるモデル構成を発見し, 同定不能なモデルコンポーネントやパラメータを明らかにするのに役立つ。
本手法は,データ駆動科学的探究のための強力なツールであり,科学者は本質的モデルコンポーネントを体系的に同定し,不確実性に左右されるモデリング決定を行うことができる。
関連論文リスト
- Cheap and Deterministic Inference for Deep State-Space Models of
Interacting Dynamical Systems [38.23826389188657]
本稿では,基礎となる相互作用力学系をモデル化するために,グラフニューラルネットワークを用いた深部状態空間モデルを提案する。
予測分布はマルチモーダルであり、ガウス混合モデルの形をしており、ガウス成分のモーメントは決定論的モーメントマッチングルールによって計算できる。
我々のモーメントマッチングスキームはサンプルのない推論に利用でき、モンテカルロの代替案と比較してより効率的で安定した訓練がもたらされる。
論文 参考訳(メタデータ) (2023-05-02T20:30:23Z) - Dataless Knowledge Fusion by Merging Weights of Language Models [51.8162883997512]
微調整された事前学習言語モデルは、下流のNLPモデルを構築するための主要なパラダイムとなっている。
これは、より優れた単一モデルを生み出すために、個々のモデル間で知識を融合させる障壁を生み出します。
パラメータ空間のモデルをマージするデータレス知識融合法を提案する。
論文 参考訳(メタデータ) (2022-12-19T20:46:43Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Surrogate Modeling for Physical Systems with Preserved Properties and
Adjustable Tradeoffs [0.0]
代理モデルを生成するためのモデルベースおよびデータ駆動型戦略を提案する。
後者は、前提となる位相構造に人工的関係を組み込むことで解釈可能な代理モデルを生成する。
我々のフレームワークは、分散パラメータモデルのための様々な空間離散化スキームと互換性がある。
論文 参考訳(メタデータ) (2022-02-02T17:07:02Z) - Distributional Depth-Based Estimation of Object Articulation Models [21.046351215949525]
本研究では,奥行き画像から直接,調音モデルパラメータの分布を効率よく学習する手法を提案する。
私たちのコアコントリビューションには、剛体変換に対する分布の新しい表現が含まれています。
本稿では,カテゴリに依存しない調音モデル推定を行う新しい深層学習手法DUST-netを提案する。
論文 参考訳(メタデータ) (2021-08-12T17:44:51Z) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳(メタデータ) (2021-07-07T11:17:09Z) - 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) - Split Modeling for High-Dimensional Logistic Regression [0.2676349883103404]
短時間コンパイルしたアンサンブルロジスティック分類モデルに対して,新しい手法を提案する。
本手法は,予測精度に優れたバイアスオフの活用法を学習する。
提案手法を実装したオープンソースソフトウェアライブラリを議論する。
論文 参考訳(メタデータ) (2021-02-17T05:57:26Z) - Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。
我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。
その結果,我々のモデルは最先端の性能を達成できることがわかった。
論文 参考訳(メタデータ) (2020-10-12T03:27:07Z) - Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
異種データセットから学習した後続分布を融合する手法を提案する。
我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
論文 参考訳(メタデータ) (2020-07-13T03:27:45Z) - Amortized Bayesian model comparison with evidential deep learning [0.12314765641075436]
本稿では,専門的なディープラーニングアーキテクチャを用いたベイズモデルの比較手法を提案する。
提案手法は純粋にシミュレーションベースであり,観測された各データセットに対して,すべての代替モデルを明示的に適合させるステップを回避している。
提案手法は,本研究で検討した事例に対して,精度,キャリブレーション,効率の点で優れた結果が得られることを示す。
論文 参考訳(メタデータ) (2020-04-22T15:15:46Z)
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。