論文の概要: Bayesian Multistate Bennett Acceptance Ratio Methods

• arxiv url: http://arxiv.org/abs/2310.20699v1
• Date: Tue, 31 Oct 2023 17:57:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-01 13:38:22.222313
• Title: Bayesian Multistate Bennett Acceptance Ratio Methods
• Title（参考訳）: ベイズ型多状態ベネット受入比法
• Authors: Xinqiang Ding
• Abstract要約: ベイズMBAR(BayesMBAR)は、マルチステートベネット受け入れ比(MBAR)法のベイズ一般化である。 我々は自由エネルギー推定を導出し、関連する不確実性を計算する。 MBARが自由エネルギー計算に広く使われていることを考えると、ベイズMBARは自由エネルギー計算の様々な応用に欠かせないツールであると予想する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The multistate Bennett acceptance ratio (MBAR) method is a prevalent approach for computing free energies of thermodynamic states. In this work, we introduce BayesMBAR, a Bayesian generalization of the MBAR method. By integrating configurations sampled from thermodynamic states with a prior distribution, BayesMBAR computes a posterior distribution of free energies. Using the posterior distribution, we derive free energy estimations and compute their associated uncertainties. Notably, when a uniform prior distribution is used, BayesMBAR recovers the MBAR's result but provides more accurate uncertainty estimates. Additionally, when prior knowledge about free energies is available, BayesMBAR can incorporate this information into the estimation procedure by using non-uniform prior distributions. As an example, we show that, by incorporating the prior knowledge about the smoothness of free energy surfaces, BayesMBAR provides more accurate estimates than the MBAR method. Given MBAR's widespread use in free energy calculations, we anticipate BayesMBAR to be an essential tool in various applications of free energy calculations.
• Abstract（参考訳）: 多状態ベネット受容比(MBAR)法は熱力学状態のエネルギーを計算するための一般的な手法である。 本稿では,MBAR法のベイズ一般化であるBayesMBARを紹介する。 熱力学状態からサンプリングされた構成と事前分布を統合することにより、ベイズMBARは自由エネルギーの後方分布を計算する。 後方分布を用いて自由エネルギー推定を導出し,それらの不確実性を計算する。 特に、均一な事前分布を使用する場合、BayesMBARはMBARの結果を回復するが、より正確な不確実性推定を提供する。 さらに、自由エネルギーに関する事前知識が利用可能であれば、非一様事前分布を用いてこの情報を推定手順に組み込むことができる。 例えば、自由エネルギー表面の滑らかさに関する事前の知識を取り入れることで、BayesMBARはMBAR法よりも正確な推定値を提供することを示す。 MBARが自由エネルギー計算に広く使われていることを考えると、ベイズMBARは自由エネルギー計算の様々な応用に欠かせないツールであると予想する。

関連論文リスト

• On Cold Posteriors of Probabilistic Neural Networks: Understanding the Cold Posterior Effect and A New Way to Learn Cold Posteriors with Tight Generalization Guarantees [4.532517021515833]
  ベイズ深層学習では、ニューラルネットワークの重みは事前分布を持つランダム変数として扱われる。 PAC-ベイズ解析は、ランダム化された予測子に対する一般化境界を導出する頻繁なフレームワークを提供する。 観測データの影響と事前正規化のバランスをとることで、ベイズモデルにおける過度な適合や過度な適合の問題に温度調整が対処できる。
  論文  参考訳（メタデータ） (2024-10-20T06:40:35Z)
• Robust Barycenter Estimation using Semi-Unbalanced Neural Optimal Transport [84.51977664336056]
  我々は,テクストロバスト連続バリセンタを推定するための,新しいスケーラブルなアプローチを提案する。 提案手法は$min$-$max$最適化問題であり,テキスト一般コスト関数に適応可能である。
  論文  参考訳（メタデータ） (2024-10-04T23:27:33Z)
• Distributional Off-policy Evaluation with Bellman Residual Minimization [12.343981093497332]
  配電型オフ政治評価(OPE)について検討する。 目標は、異なるポリシーによって生成されたオフラインデータを使用して、ターゲットポリシーに対するリターンの分布を学習することである。 我々はEnergy Bellman Residual Minimizer (EBRM)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-02-02T20:59:29Z)
• Maximum Weight Entropy [6.821961232645206]
  本稿では,ベイジアン法とアンサンブル法を用いて,ディープラーニングにおける不確実な定量化と分布外検出を扱う。 ニューラルネットワークを考えると、平均的な経験的リスクと重量分布エントロピーの間のトレードオフとして定義されたそのような分布を構築するために、実用的な最適化が導出される。
  論文  参考訳（メタデータ） (2023-09-27T14:46:10Z)
• An Energy-Based Prior for Generative Saliency [62.79775297611203]
  本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。 生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。 実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
  論文  参考訳（メタデータ） (2022-04-19T10:51:00Z)
• Nishimori meets Bethe: a spectral method for node classification in sparse weighted graphs [53.13327158427103]
  本稿では,分布pをパラメトリ化する西森温度と,分布pに従ってエッジ重みが分布するランダムエルドス・レーニーグラフ上のベーテ自由エネルギーの関係について述べる。 重み付きグラフのBethe Hessian行列の固有値から西森温度を正確に推定する数値計算法を提案する。
  論文  参考訳（メタデータ） (2021-03-05T09:45:56Z)
• Neural Empirical Bayes: Source Distribution Estimation and its Applications to Simulation-Based Inference [9.877509217895263]
  ニューラルネットワークによる経験的ベイズ手法は,地中真理源分布を復元する。 また,コライダー物理の逆問題に対するニューラル経験ベイズの適用性を示す。
  論文  参考訳（メタデータ） (2020-11-11T14:59:34Z)
• Convergence Rates of Empirical Bayes Posterior Distributions: A Variational Perspective [20.51199643121034]
  非パラメトリックおよび高次元推論のための経験的ベイズ後部分布の収束率について検討した。 その結果,最大辺縁度推定器によって誘導される経験的ベイズ後部分布は,階層的ベイズ後部分布の変動近似とみなすことができることがわかった。
  論文  参考訳（メタデータ） (2020-09-08T19:35:27Z)
• Continuous Regularized Wasserstein Barycenters [51.620781112674024]
  正規化ワッサーシュタイン・バリセンタ問題に対する新しい双対定式化を導入する。 我々は、強い双対性を確立し、対応する主対関係を用いて、正規化された輸送問題の双対ポテンシャルを用いて暗黙的にバリセンターをパラメトリゼーションする。
  論文  参考訳（メタデータ） (2020-08-28T08:28:06Z)
• Targeted free energy estimation via learned mappings [66.20146549150475]
  自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。 FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。 目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
  論文  参考訳（メタデータ） (2020-02-12T11:10:00Z)
• Distributionally Robust Bayesian Quadrature Optimization [60.383252534861136]
  確率分布が未知な分布の不確実性の下でBQOについて検討する。 標準的なBQOアプローチは、固定されたサンプル集合が与えられたときの真の期待目標のモンテカルロ推定を最大化する。 この目的のために,新しい後方サンプリングに基づくアルゴリズム,すなわち分布的に堅牢なBQO(DRBQO)を提案する。
  論文  参考訳（メタデータ） (2020-01-19T12:00:33Z)

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。