論文の概要: Stochastic Gradient Bayesian Optimal Experimental Designs for Simulation-based Inference

• arxiv url: http://arxiv.org/abs/2306.15731v1
• Date: Tue, 27 Jun 2023 18:15:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-29 17:04:28.799329
• Title: Stochastic Gradient Bayesian Optimal Experimental Designs for Simulation-based Inference
• Title（参考訳）: 確率勾配ベイズ最適実験によるシミュレーションに基づく推論
• Authors: Vincent D. Zaballa and Elliot E. Hui
• Abstract要約: 比に基づくSBI推論アルゴリズムと勾配に基づく変分推論を相互情報のバウンダリを利用して重要な接続を確立する。 この接続により、実験的な設計と償却推論関数の同時最適化を拡張できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulation-based inference (SBI) methods tackle complex scientific models with challenging inverse problems. However, SBI models often face a significant hurdle due to their non-differentiable nature, which hampers the use of gradient-based optimization techniques. Bayesian Optimal Experimental Design (BOED) is a powerful approach that aims to make the most efficient use of experimental resources for improved inferences. While stochastic gradient BOED methods have shown promising results in high-dimensional design problems, they have mostly neglected the integration of BOED with SBI due to the difficult non-differentiable property of many SBI simulators. In this work, we establish a crucial connection between ratio-based SBI inference algorithms and stochastic gradient-based variational inference by leveraging mutual information bounds. This connection allows us to extend BOED to SBI applications, enabling the simultaneous optimization of experimental designs and amortized inference functions. We demonstrate our approach on a simple linear model and offer implementation details for practitioners.
• Abstract（参考訳）: シミュレーションベースの推論(SBI)手法は、逆問題を伴う複雑な科学的モデルに対処する。 しかし、sbiモデルは微分不能な性質のため、しばしば大きなハードルに直面し、勾配に基づく最適化技術の使用を妨げている。 ベイジアン最適実験設計(BOED)は、推論の改善に実験資源を最大限に活用することを目的とした強力な手法である。 確率的勾配ボエ法は高次元設計問題に有望な結果をもたらすが、多くのsbiシミュレーターの難しい非微分性のため、ボエとsbiの統合をほとんど無視している。 本研究では,比に基づくSBI推論アルゴリズムと確率勾配に基づく変分推論とを,相互情報境界を利用して重要な関係性を確立する。 この接続によりboedをsbiアプリケーションに拡張でき、実験設計と償却推論関数の同時最適化を可能にします。 簡単な線形モデルにアプローチを示し、実践者に実装の詳細を提供します。

関連論文リスト

• Bayesian Experimental Design via Contrastive Diffusions [2.2186678387006435]
  実験設計(BOED)は、一連の実験の実行コストを削減する強力なツールである。 コスト効率の良い後続分布を導入し,EIGコントラストへのトラクタアクセスを提供する。 生成モデルをBOEDフレームワークに組み込むことで、以前は非現実的であったシナリオにおいて、そのスコープと使用範囲を広げる。
  論文  参考訳（メタデータ） (2024-10-15T17:53:07Z)
• A Comprehensive Guide to Simulation-based Inference in Computational Biology [5.333122501732079]
  本稿では,複雑な生物モデルに対するSBIアプローチを決定するための包括的ガイドラインを提供する。 本ガイドラインは,実世界のデータを用いた細胞動態を記述する2つのエージェントベースモデルに適用する。 ニューラルSBI法は推論結果のシミュレーションを著しく少なく要求するが、偏りのある推定を行う傾向にある。
  論文  参考訳（メタデータ） (2024-09-29T12:04:03Z)
• Enhanced Bayesian Optimization via Preferential Modeling of Abstract Properties [49.351577714596544]
  本研究では,非測定抽象特性に関する専門家の嗜好を代理モデルに組み込むための,人間とAIの協調型ベイズフレームワークを提案する。 優先判断において、誤った/誤解を招く専門家バイアスを処理できる効率的な戦略を提供する。
  論文  参考訳（メタデータ） (2024-02-27T09:23:13Z)
• Consistency Models for Scalable and Fast Simulation-Based Inference [9.27488642055461]
  シミュレーションベース推論(SBI)のための新しい条件付きサンプルであるCMPEの整合性モデルを提案する。 CMPEは基本的に連続した確率フローを蒸留し、制約のないアーキテクチャで高速な数発の推論を可能にする。 実験により,CMPEは高次元のベンチマークで最先端のアルゴリズムより優れるだけでなく,より高速なサンプリング速度で競合性能を達成できることを示した。
  論文  参考訳（メタデータ） (2023-12-09T02:14:12Z)
• Flow Matching for Scalable Simulation-Based Inference [20.182658224439688]
  流れマッチング後推定 (FMPE) は連続正規化フローを用いたシミュレーションベース推論 (SBI) の手法である。 FMPEは,確立されたSBIベンチマーク上での競合性能を示し,その改善されたスケーラビリティを挑戦的な科学的問題で実証する。
  論文  参考訳（メタデータ） (2023-05-26T18:00:01Z)
• Online simulator-based experimental design for cognitive model selection [74.76661199843284]
  本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。 シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
  論文  参考訳（メタデータ） (2023-03-03T21:41:01Z)
• Latent Variable Representation for Reinforcement Learning [131.03944557979725]
  モデルに基づく強化学習のサンプル効率を改善するために、潜在変数モデルが学習、計画、探索をいかに促進するかは理論上、実証上、不明である。 状態-作用値関数に対する潜在変数モデルの表現ビューを提供する。これは、抽出可能な変分学習アルゴリズムと楽観主義/悲観主義の原理の効果的な実装の両方を可能にする。 特に,潜伏変数モデルのカーネル埋め込みを組み込んだUPB探索を用いた計算効率の良い計画アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-17T00:26:31Z)
• Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
  本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。 また、局所的な一貫性の結果に基づいた理論的保証も提供する。 この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
  論文  参考訳（メタデータ） (2022-11-17T15:48:06Z)
• When to Update Your Model: Constrained Model-based Reinforcement Learning [50.74369835934703]
  モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。 続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。 さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2022-10-15T17:57:43Z)
• Design Amortization for Bayesian Optimal Experimental Design [70.13948372218849]
  予測情報ゲイン(EIG)のバウンダリに関してパラメータ化された変分モデルを最適化する。 実験者が1つの変分モデルを最適化し、潜在的に無限に多くの設計に対してEIGを推定できる新しいニューラルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-10-07T02:12:34Z)
• USCO-Solver: Solving Undetermined Stochastic Combinatorial Optimization Problems [9.015720257837575]
  入力-解対のサンプルから高品質な最適化解を推定することを目的として,空間間の回帰を考察する。 基礎学習にはPAC-Bayesianフレームワークを用いて学習エラー分析を行う。 我々は,合成データセットと実世界のデータセットの両方において,古典的な問題に対する高い励振実験結果を得た。
  論文  参考訳（メタデータ） (2021-07-15T17:59:08Z)

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。