論文の概要: Flow Matching for Posterior Inference with Simulator Feedback

• arxiv url: http://arxiv.org/abs/2410.22573v1
• Date: Tue, 29 Oct 2024 22:26:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-31 14:28:49.980484
• Title: Flow Matching for Posterior Inference with Simulator Feedback
• Title（参考訳）: シミュレータフィードバックを用いた後部推論のためのフローマッチング
• Authors: Benjamin Holzschuh, Nils Thuerey,
• Abstract要約: フローベース生成モデリングは、物理科学における逆問題を解決する強力なツールである。 そこで本研究では,シミュレータに基づく制御信号の追加によるフローの洗練を提案する。 シミュレータからのフィードバックを含むと精度が53%向上し,従来の手法と競合することを示す。
• 参考スコア（独自算出の注目度）: 20.315933488318986
• License:
• Abstract: Flow-based generative modeling is a powerful tool for solving inverse problems in physical sciences that can be used for sampling and likelihood evaluation with much lower inference times than traditional methods. We propose to refine flows with additional control signals based on a simulator. Control signals can include gradients and a problem-specific cost function if the simulator is differentiable, or they can be fully learned from the simulator output. In our proposed method, we pretrain the flow network and include feedback from the simulator exclusively for finetuning, therefore requiring only a small amount of additional parameters and compute. We motivate our design choices on several benchmark problems for simulation-based inference and evaluate flow matching with simulator feedback against classical MCMC methods for modeling strong gravitational lens systems, a challenging inverse problem in astronomy. We demonstrate that including feedback from the simulator improves the accuracy by $53\%$, making it competitive with traditional techniques while being up to $67$x faster for inference.
• Abstract（参考訳）: フローベース生成モデリングは、物理科学における逆問題を解決する強力なツールであり、従来の手法よりもはるかに低い推論時間でサンプリングと確率評価に使用できる。 そこで本研究では,シミュレータに基づく制御信号の追加によるフローの洗練を提案する。 制御信号は、シミュレータが微分可能である場合や、シミュレータ出力から完全に学習できる場合、勾配と問題固有のコスト関数を含むことができる。 提案手法では,フローネットワークを事前学習し,微調整専用にシミュレータからのフィードバックを含める。 シミュレーションに基づく推論のためのいくつかのベンチマーク問題に対する設計選択の動機付けと、天文学における逆問題である強い重力レンズ系をモデル化するための古典的MCMC法に対するシミュレータフィードバックによるフローマッチングの評価を行う。 シミュレータからのフィードバックを含め、従来の手法と競合し、推論では最大6,7$xの速度で精度を5,3\%向上することを示した。

関連論文リスト

• QuasiSim: Parameterized Quasi-Physical Simulators for Dexterous Manipulations Transfer [21.20658409070528]
  シミュレータの設計によるデクスタラスな操作伝達問題について検討する。 このタスクは、人間の操作を巧妙なロボットハンドシミュレーションに転送することを目的としている。 我々は,高忠実度シミュレーション環境における複雑で多様な操作を追跡するために,器用な手を作ることに成功している。
  論文  参考訳（メタデータ） (2024-04-11T17:59:40Z)
• Model-based deep reinforcement learning for accelerated learning from flow simulations [0.0]
  フロー制御アプリケーションにおけるモデルベース強化学習の利点を実証する。 具体的には, 流れシミュレーションから採取した軌道と, 環境モデルのアンサンブルから採取した軌道とを交互に組み合わせることで, 政策を最適化する。 モデルベースの学習は、流動的なピンボールテストケースに対して、トレーニング全体の時間を最大85%削減する。
  論文  参考訳（メタデータ） (2024-02-26T13:01:45Z)
• Simulation-free Schr\"odinger bridges via score and flow matching [89.4231207928885]
  シミュレーションフリースコアとフローマッチング([SF]$2$M)を提案する。 本手法は,拡散モデルのトレーニングに使用するスコアマッチング損失と,連続流のトレーニングに使用されるフローマッチング損失の両方を一般化する。 特に、[SF]$2$Mは、高次元の細胞動態を正確にモデル化し、既知の遺伝子制御ネットワークをシミュレートする最初の方法である。
  論文  参考訳（メタデータ） (2023-07-07T15:42:35Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• 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)
• DiSECt: A Differentiable Simulator for Parameter Inference and Control in Robotic Cutting [71.50844437057555]
  軟質材料を切断するための最初の微分可能シミュレータであるDiSECtについて述べる。 シミュレータは、符号付き距離場に基づく連続接触モデルにより有限要素法を増強する。 このシミュレータは, 最先端の商用解法を用いて, 結果の力やフィールドに適合するようにキャリブレーションできることを示す。
  論文  参考訳（メタデータ） (2022-03-19T07:27:19Z)
• Constraint-based graph network simulator [9.462808515258464]
  制約に基づく学習シミュレーションのためのフレームワークを提案する。 本稿では,制約関数としてグラフニューラルネットワークを用い,勾配降下を制約解として実装する。 我々のモデルは、トップラーニングシミュレータよりも優れた、あるいは同等のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2021-12-16T19:15:11Z)
• 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)
• DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
  DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。 DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。 実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
  論文  参考訳（メタデータ） (2021-04-30T15:30:05Z)
• Simulation-efficient marginal posterior estimation with swyft: stop wasting your precious time [5.533353383316288]
  本研究では,ネスト型ニューラル・サイエンス・ツー・エビデンス比推定とシミュレーションの再利用のためのアルゴリズムを提案する。 これらのアルゴリズムが組み合わさって、縁部および関節後部の自動的および極端にシミュレーターによる効率的な推定を可能にする。
  論文  参考訳（メタデータ） (2020-11-27T19:00:07Z)
• DISCO: Double Likelihood-free Inference Stochastic Control [29.84276469617019]
  確率自由推論のためのベイズ統計学における現代シミュレータのパワーと最近の技術を活用することを提案する。 シミュレーションパラメータの後方分布は、システムの潜在的非解析モデルによって伝播される。 実験により、制御器の提案により、古典的な制御やロボット工学のタスクにおいて、優れた性能と堅牢性が得られることが示された。
  論文  参考訳（メタデータ） (2020-02-18T05:29:40Z)

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。