論文の概要: L-C2ST: Local Diagnostics for Posterior Approximations in
Simulation-Based Inference
- arxiv url: http://arxiv.org/abs/2306.03580v2
- Date: Mon, 9 Oct 2023 21:57:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-13 09:09:32.618772
- Title: L-C2ST: Local Diagnostics for Posterior Approximations in
Simulation-Based Inference
- Title(参考訳): L-C2ST:シミュレーションによる後部近似の局所診断
- Authors: Julia Linhart, Alexandre Gramfort, Pedro L. C. Rodrigues
- Abstract要約: L-C2STは、任意の観測で後部推定器の局所的な評価を可能にする。
理論上は根拠があり容易に解釈できる。
標準的なSBIベンチマークでは、L-C2STはC2STに匹敵する結果を提供し、代替のローカルアプローチより優れている。
- 参考スコア(独自算出の注目度): 63.22081662149488
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many recent works in simulation-based inference (SBI) rely on deep generative
models to approximate complex, high-dimensional posterior distributions.
However, evaluating whether or not these approximations can be trusted remains
a challenge. Most approaches evaluate the posterior estimator only in
expectation over the observation space. This limits their interpretability and
is not sufficient to identify for which observations the approximation can be
trusted or should be improved. Building upon the well-known classifier
two-sample test (C2ST), we introduce L-C2ST, a new method that allows for a
local evaluation of the posterior estimator at any given observation. It offers
theoretically grounded and easy to interpret -- e.g. graphical -- diagnostics,
and unlike C2ST, does not require access to samples from the true posterior. In
the case of normalizing flow-based posterior estimators, L-C2ST can be
specialized to offer better statistical power, while being computationally more
efficient. On standard SBI benchmarks, L-C2ST provides comparable results to
C2ST and outperforms alternative local approaches such as coverage tests based
on highest predictive density (HPD). We further highlight the importance of
local evaluation and the benefit of interpretability of L-C2ST on a challenging
application from computational neuroscience.
- Abstract(参考訳): シミュレーションベース推論(SBI)における最近の多くの研究は、複雑で高次元の後方分布を近似する深層生成モデルに依存している。
しかし、これらの近似が信頼できるかどうかの評価は依然として課題である。
ほとんどのアプローチでは、後方推定器は観測空間上の期待でのみ評価される。
これにより解釈可能性が制限され、近似が信頼できるか改善されるべきかを特定できない。
有名な分類器2サンプル試験(C2ST)に基づいて,任意の観測で後部推定器の局所的な評価を可能にする新しい手法であるL-C2STを導入する。
理論的に根拠があり、簡単に解釈できる -- グラフィカルな -- 診断を提供するが、C2STとは異なり、真の後部からのサンプルにアクセスする必要はない。
フローベース後部推定器の正規化の場合、L-C2STは計算効率が良く、より優れた統計パワーを提供するために特殊化することができる。
標準的なSBIベンチマークでは、L-C2STはC2STに匹敵する結果を提供し、最大予測密度(HPD)に基づいたカバレッジテストのような他のローカルアプローチよりも優れている。
さらに,L-C2STの局所的評価の重要性と,計算神経科学からの挑戦的応用に対する解釈可能性の利点を強調した。
関連論文リスト
- In-Context Parametric Inference: Point or Distribution Estimators? [66.22308335324239]
償却点推定器は一般に後部推論より優れているが、後者は低次元問題では競争力がある。
実験の結果, 償却点推定器は一般に後部推定より優れているが, 後者は低次元問題では競争力があることがわかった。
論文 参考訳(メタデータ) (2025-02-17T10:00:24Z) - A Partial Initialization Strategy to Mitigate the Overfitting Problem in CATE Estimation with Hidden Confounding [44.874826691991565]
観察データから条件平均治療効果(CATE)を推定することは、電子商取引、医療、経済などの分野において重要な役割を果たす。
既存の研究は主に、隠れた共同設立者がいないという強い無知の仮定に依存している。
ランダム化制御試験 (RCT) から収集されたデータは、共起に苦しむことはないが、通常は小さなサンプルサイズによって制限される。
論文 参考訳(メタデータ) (2025-01-15T15:58:16Z) - Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。
LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。
LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
論文 参考訳(メタデータ) (2024-03-11T05:35:38Z) - 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) - Online Bootstrap Inference with Nonconvex Stochastic Gradient Descent
Estimator [0.0]
本稿では,凸問題の文脈における統計的推論のための勾配降下(SGD)の理論的性質について検討する。
多重誤差最小値を含む2つの干渉手順を提案する。
論文 参考訳(メタデータ) (2023-06-03T22:08:10Z) - 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) - Machine Learning-Based Estimation and Goodness-of-Fit for Large-Scale
Confirmatory Item Factor Analysis [0.0]
大規模項目因子分析(IFA)のための新しいパラメータ推定法と適合度評価法について検討する。
パラメータ推定のために、探索型IFAのためのUrban and Bauer's Deep Learning Algorithm(2021)を検証環境に拡張する。
GOF評価のための新しいシミュレーションベーステストと指標について検討する。
論文 参考訳(メタデータ) (2021-09-20T12:53:01Z) - Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。
本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。
自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
論文 参考訳(メタデータ) (2021-06-07T17:47:16Z) - Computational Efficient Approximations of the Concordance Probability in
a Big Data Setting [0.0]
本研究では,一致確率を高速かつ高精度に算出する2つの推定手法を提案する。
2つの実生活データセットの実験により、人工シミュレーションの結論が確認された。
論文 参考訳(メタデータ) (2021-05-21T15:09:53Z)
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。