論文の概要: Generalized Bayesian Inference for Scientific Simulators via Amortized
Cost Estimation
- arxiv url: http://arxiv.org/abs/2305.15208v2
- Date: Thu, 2 Nov 2023 10:08:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-03 17:31:32.094804
- Title: Generalized Bayesian Inference for Scientific Simulators via Amortized
Cost Estimation
- Title(参考訳): 償却コスト推定による科学シミュレータの一般化ベイズ推定
- Authors: Richard Gao, Michael Deistler, Jakob H. Macke
- Abstract要約: ニューラルネットワークをトレーニングしてコスト関数を近似し、パラメータと観測データとの予測距離と定義する。
いくつかのベンチマークタスクにおいて、ACEはコストを正確に予測し、他のSBI法よりも合成観測に近い予測シミュレーションを提供する。
- 参考スコア(独自算出の注目度): 11.375835331641548
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Simulation-based inference (SBI) enables amortized Bayesian inference for
simulators with implicit likelihoods. But when we are primarily interested in
the quality of predictive simulations, or when the model cannot exactly
reproduce the observed data (i.e., is misspecified), targeting the Bayesian
posterior may be overly restrictive. Generalized Bayesian Inference (GBI) aims
to robustify inference for (misspecified) simulator models, replacing the
likelihood-function with a cost function that evaluates the goodness of
parameters relative to data. However, GBI methods generally require running
multiple simulations to estimate the cost function at each parameter value
during inference, making the approach computationally infeasible for even
moderately complex simulators. Here, we propose amortized cost estimation (ACE)
for GBI to address this challenge: We train a neural network to approximate the
cost function, which we define as the expected distance between simulations
produced by a parameter and observed data. The trained network can then be used
with MCMC to infer GBI posteriors for any observation without running
additional simulations. We show that, on several benchmark tasks, ACE
accurately predicts cost and provides predictive simulations that are closer to
synthetic observations than other SBI methods, especially for misspecified
simulators. Finally, we apply ACE to infer parameters of the Hodgkin-Huxley
model given real intracellular recordings from the Allen Cell Types Database.
ACE identifies better data-matching parameters while being an order of
magnitude more simulation-efficient than a standard SBI method. In summary, ACE
combines the strengths of SBI methods and GBI to perform robust and
simulation-amortized inference for scientific simulators.
- Abstract(参考訳): シミュレーションベース推論 (SBI) は暗黙の確率を持つシミュレータに対してアモータイズされたベイズ推論を可能にする。
しかし、我々が主に予測シミュレーションの品質に関心を持つ場合、またはモデルが観測されたデータを正確に再現できない場合(すなわち、不特定化されている場合)、ベイズ後方を狙うことは過度に制限される可能性がある。
一般化ベイズ推論(gbi)は、確率関数をデータに対するパラメータの良さを評価するコスト関数に置き換え、(不特定)シミュレータモデルの推論を堅牢化することを目的としている。
しかし、GBI法は一般的に、推論中に各パラメータ値のコスト関数を推定するために複数のシミュレーションを実行する必要がある。
本稿では,この課題に対処するために,GBI の償却コスト推定 (ACE) を提案する。我々は,ニューラルネットワークをトレーニングしてコスト関数を近似し,パラメータと観測データとの予測距離として定義する。
トレーニングされたネットワークはMCMCと組み合わせて、追加のシミュレーションを実行せずにGBI後部を推測することができる。
いくつかのベンチマークタスクにおいて、ACEはコストを正確に予測し、特に不特定シミュレータにおいて、他のSBI法よりも合成観測に近い予測シミュレーションを提供する。
最後に,Allen Cell Types Databaseから実際の細胞内記録を与えられたHodgkin-Huxleyモデルのパラメータを推論するためにACEを適用した。
ACEは、標準のSBI法よりもはるかにシミュレーション効率のよいデータマッチングパラメータを識別する。
要約すると、ACEはSBI法とGBIの強度を組み合わせて、科学シミュレーターのための堅牢でシミュレーションによる推論を行う。
関連論文リスト
- Amortized Bayesian Decision Making for simulation-based models [11.375835331641548]
シミュレータ上でベイズ決定を行う方法に関する問題に対処する。
本手法は,シミュレーションデータ上にニューラルネットワークを学習し,予測コストを予測する。
次に,医療神経科学における実世界のシミュレーターにおける最適な行動を推測するために,本手法を適用した。
論文 参考訳(メタデータ) (2023-12-05T11:29:54Z) - Calibrating Neural Simulation-Based Inference with Differentiable
Coverage Probability [50.44439018155837]
ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。
古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。
既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
論文 参考訳(メタデータ) (2023-10-20T10:20:45Z) - 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) - Optimally-Weighted Estimators of the Maximum Mean Discrepancy for
Likelihood-Free Inference [12.157511906467146]
Likelihood-free推論手法は典型的にはシミュレーションデータと実データの間の距離を利用する。
最大平均誤差 (MMD) は、一般にルート$m$で推定され、$m$はシミュレーション標本の数である。
サンプルの複雑さを大幅に改善したMDDの新しい推定器を提案する。
論文 参考訳(メタデータ) (2023-01-27T12:13:54Z) - Efficient identification of informative features in simulation-based
inference [5.538076164981993]
訓練後, 後部を推測し, 特徴の寄与度を評価する前に, 訓練後のサロゲート確率を極端に評価できることが示唆された。
本稿では,HHニューロンモデルのパラメータを推定する上で最も重要な特徴を同定し,本手法の有用性を示す。
論文 参考訳(メタデータ) (2022-10-21T12:35:46Z) - 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) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳(メタデータ) (2022-06-10T04:54:13Z) - 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) - Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。
本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
論文 参考訳(メタデータ) (2021-11-02T12:33:42Z) - Optimization of High-dimensional Simulation Models Using Synthetic Data [0.1529342790344802]
本稿では,シミュレーションパラメータに対する可算区間の仕様のみを必要とするBuBシミュレータを提案する。
詳細な統計分析を行うことができ、最も重要なモデルパラメータについて深い洞察を得ることができる。
この研究は、新型コロナウイルスのパンデミックによって引き起こされる困難について明確に取り上げている。
論文 参考訳(メタデータ) (2020-09-06T17:21:41Z) - SBI -- A toolkit for simulation-based inference [0.0]
シミュレーションベースの推論 (SBI) は、a) が先行知識と互換性があり、b) が経験的観察と一致するパラメータ集合を識別しようとする。
ニューラルネットワークに基づくSBIアルゴリズムを実装したPyTorchベースのパッケージであるtextttsbi$を提示する。
論文 参考訳(メタデータ) (2020-07-17T16:53:51Z)
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。