論文の概要: $floZ$: Improved Bayesian evidence estimation from posterior samples with normalizing flows
- arxiv url: http://arxiv.org/abs/2404.12294v2
- Date: Fri, 7 Jun 2024 09:16:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-10 19:18:14.513738
- Title: $floZ$: Improved Bayesian evidence estimation from posterior samples with normalizing flows
- Title(参考訳): $floZ$: 正規化フローを有する後部サンプルからのベイズ的証拠推定の改善
- Authors: Rahul Srinivasan, Marco Crisostomi, Roberto Trotta, Enrico Barausse, Matteo Breschi,
- Abstract要約: 本研究では,非正規化後分布から抽出したサンプル集合からベイズ証拠を推定する改良手法である$floZ$を紹介する。
解析的に証拠が知られている分布において最大15個のパラメータ空間次元を検証し、2つの最先端技術と比較する。
$floZ$は、例えば変分推論、マルコフ・チェイン・モンテカルロのサンプル、あるいは非正規化後密度からサンプルを届ける他の方法から証拠を推定するために幅広い適用性を持つ。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce $floZ$, an improved method based on normalizing flows, for estimating the Bayesian evidence (and its numerical uncertainty) from a set of samples drawn from the unnormalized posterior distribution. We validate it on distributions whose evidence is known analytically, up to 15 parameter space dimensions, and compare with two state-of-the-art techniques for estimating the evidence: nested sampling (which computes the evidence as its main target) and a $k$-nearest-neighbors technique that produces evidence estimates from posterior samples. Provided representative samples from the target posterior are available, our method is more robust to posterior distributions with sharp features, especially in higher dimensions. For a simple multivariate Gaussian, we demonstrate its accuracy for up to 200 dimensions with $10^5$ posterior samples. $floZ$ has wide applicability, e.g., to estimate the evidence from variational inference, Markov Chain Monte Carlo samples, or any other method that delivers samples from the unnormalized posterior density, such as simulation-based inference. We apply $floZ$ to compute the Bayes factor for the presence of the first overtone in the ringdown signal of the gravitational wave data of GW150914, finding good agreement with nested sampling.
- Abstract(参考訳): 正規化フローに基づく改良手法である$floZ$を導入し,非正規化後分布から抽出したサンプル群からベイズ証拠(およびその数値的不確実性)を推定する。
解析的に証拠が知られている分布について検証し、最大15個のパラメータ空間次元を推定し、その証拠を推定する2つの最先端技術と比較する:入れ子サンプリング(この方法は、その証拠を主ターゲットとして計算する)と、後部サンプルから証拠を推定する$k$-nearest-neighbors技術である。
提案手法は,特に高次元のシャープな特徴を有する後部分布に対して,より堅牢である。
単純多変量ガウス多様体に対しては、最大200次元と10^5$後方サンプルの精度を示す。
$floZ$は、例えば、変分推論、マルコフ・チェイン・モンテカルロのサンプル、あるいはシミュレーションベースの推論のような非正規化された後続密度からサンプルを届ける他の方法から証拠を推定するために幅広い適用性を持つ。
我々は,GW150914の重力波データのリングダウン信号に第1のオーバートンが存在する場合のベイズ係数を$floZ$で計算し,ネストサンプリングとよく一致した。
関連論文リスト
- Generative Modeling with Bayesian Sample Inference [50.07758840675341]
我々はガウス的後代推論の単純な作用から新しい生成モデルを導出する。
生成したサンプルを未知変数として推論することで、ベイズ確率の言語でサンプリングプロセスを定式化する。
我々のモデルは、未知のサンプルを広い初期信念から絞り込むために、一連の予測と後続の更新ステップを使用する。
論文 参考訳(メタデータ) (2025-02-11T14:27:10Z) - Gaussian credible intervals in Bayesian nonparametric estimation of the unseen [7.54430260415628]
未確認種問題は、異なる種に属する個体の集団から、おそらく無限のサンプルを、ngeq1$と仮定する。
我々は,任意の$ngeq1$に対して,K_n,m$に対して大きな$m$信頼区間を導出する新しい手法を提案する。
論文 参考訳(メタデータ) (2025-01-27T12:48:05Z) - Amortized Posterior Sampling with Diffusion Prior Distillation [55.03585818289934]
逆問題の解法として, 後方分布からのサンプルの変分推論手法を提案する。
本手法はユークリッド空間の標準信号や多様体上の信号に適用可能であることを示す。
論文 参考訳(メタデータ) (2024-07-25T09:53:12Z) - Active Diffusion Subsampling [15.028061496012924]
最大エントロピーサンプリングでは、最も高いエントロピーを持つと思われる測定位置を選択し、約$x$の不確実性を最小化する。
近年,拡散モデルにより誘導拡散を用いた高次元信号の高品質後部サンプルが得られた。
誘導拡散を用いたアクティブ・ディフュージョン・サブサンプリング法であるアクティブ・ディフュージョン・サブサンプリング(ADS)を提案する。
論文 参考訳(メタデータ) (2024-06-20T15:05:06Z) - Consistency Model is an Effective Posterior Sample Approximation for Diffusion Inverse Solvers [28.678613691787096]
過去の近似は後続の手段に依存しており、画像分布の支持には当てはまらない可能性がある。
本稿では,画像分布支援において有効なサンプルを生成することを保証する,後部近似のための新しい手法を提案する。
論文 参考訳(メタデータ) (2024-02-09T02:23:47Z) - Posterior samples of source galaxies in strong gravitational lenses with
score-based priors [107.52670032376555]
我々はスコアベースモデルを用いて、背景銀河の歪みのない画像の事前推定を符号化する。
アウト・オブ・ディストリビューション・データを用いた実験において、可能性と事前のバランスが、我々の期待にどのように合致しているかを示す。
論文 参考訳(メタデータ) (2022-11-07T19:00:42Z) - DensePure: Understanding Diffusion Models towards Adversarial Robustness [110.84015494617528]
拡散モデルの特性を解析し,それらが証明された堅牢性を高める条件を確立する。
事前訓練されたモデル(すなわち分類器)の信頼性向上を目的とした新しいDensePure法を提案する。
このロバストな領域は多重凸集合の和であり、以前の研究で特定されたロバストな領域よりもはるかに大きい可能性が示されている。
論文 参考訳(メタデータ) (2022-11-01T08:18:07Z) - Accelerated Bayesian SED Modeling using Amortized Neural Posterior
Estimation [0.0]
Amortized Neural Posterior Estimation (ANPE) を用いた厳密なベイズ推定のための別のスケーラブルなアプローチを提案する。
ANPEは、ニューラルネットワークを用いて後続確率分布を推定するシミュレーションベースの推論手法である。
我々は,光測光による最近のHahn et al. (2022) SEDモデルの後部を生成可能なANPE法である$rm SEDflow$を提示し,公開している。
論文 参考訳(メタデータ) (2022-03-14T18:00:03Z) - Instance-Optimal Compressed Sensing via Posterior Sampling [101.43899352984774]
後部サンプリング推定器がほぼ最適回復保証を達成できることを示す。
本稿では,Langevin dynamics を用いた深部生成前駆体の後方サンプリング推定器を実装し,MAP よりも精度の高い推定値が得られることを実証的に見出した。
論文 参考訳(メタデータ) (2021-06-21T22:51:56Z) - Tracking disease outbreaks from sparse data with Bayesian inference [55.82986443159948]
新型コロナウイルス(COVID-19)のパンデミックは、感染発生時の感染率を推定する新たな動機を与える。
標準的な手法は、より細かいスケールで共通する部分的な観測可能性とスパースなデータに対応するのに苦労する。
原理的に部分観測可能なベイズ的枠組みを提案する。
論文 参考訳(メタデータ) (2020-09-12T20:37:33Z)
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。