論文の概要: Optimizing Likelihoods via Mutual Information: Bridging Simulation-Based Inference and Bayesian Optimal Experimental Design

• arxiv url: http://arxiv.org/abs/2502.08004v1
• Date: Tue, 11 Feb 2025 22:58:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-13 18:10:00.804804
• Title: Optimizing Likelihoods via Mutual Information: Bridging Simulation-Based Inference and Bayesian Optimal Experimental Design
• Title（参考訳）: 相互情報による好みの最適化:ブリッジングシミュレーションに基づく推論とベイジアン最適実験設計
• Authors: Vincent D. Zaballa, Elliot E. Hui,
• Abstract要約: 勾配に基づくBOED法はベイズ最適化や他の実験的設計の代替として提案されている。 本稿では,SBI-BOEDとしてBOEDをSBIアプリケーションで使用可能にするため,SBIと勾配に基づく変分推論手法の相互情報バウンダリによるリンクを示す。 疫学・生物学における実世界のシミュレータにおけるSBIモデルに対するこのアプローチを比較し,推論の顕著な改善を示す。
• 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) is a method to perform inference on a variety of complex scientific models with challenging inference (inverse) problems. Bayesian Optimal Experimental Design (BOED) aims to efficiently use experimental resources to make better inferences. Various stochastic gradient-based BOED methods have been proposed as an alternative to Bayesian optimization and other experimental design heuristics to maximize information gain from an experiment. We demonstrate a link via mutual information bounds between SBI and stochastic gradient-based variational inference methods that permits BOED to be used in SBI applications as SBI-BOED. This link allows simultaneous optimization of experimental designs and optimization of amortized inference functions. We evaluate the pitfalls of naive design optimization using this method in a standard SBI task and demonstrate the utility of a well-chosen design distribution in BOED. We compare this approach on SBI-based models in real-world simulators in epidemiology and biology, showing notable improvements in inference.
• Abstract（参考訳）: シミュレーションベース推論(英: Simulation-based inference、SBI)は、様々な複雑な科学モデルにおいて、難解な推論(逆)問題を推論する手法である。 Bayesian Optimal Experimental Design (BOED) は、実験資源を効率的に利用して推論を改善することを目的としている。 様々な確率勾配に基づくBOED法がベイズ最適化と他の実験設計ヒューリスティックの代替として提案され、実験からの情報ゲインを最大化する。 我々は,SBI-BOEDとしてBOEDをSBIアプリケーションで使用可能にする確率勾配に基づく変分推論手法と,SBI-BOEDの相互情報バウンダリによるリンクを示す。 このリンクは実験的な設計の同時最適化と償却推論関数の最適化を可能にする。 我々は,この手法を標準SBIタスクで用いた設計最適化の落とし穴を評価し,BOEDにおける良質な設計分布の有用性を実証する。 疫学・生物学における実世界のシミュレータにおけるSBIモデルに対するこのアプローチを比較し,推論の顕著な改善を示す。

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。 コスト効率の良いサンプリング特性を持つプール勾配分布を導入し、新しいEIG式によるEIGコントラスト後部へのトラクタアクセスを提供する。 BOEDフレームワークに生成モデルを組み込むことで、適用範囲を拡大し、非現実的なシナリオでの利用を拡大する。
  論文  参考訳（メタデータ） (2024-10-15T17:53:07Z)
• Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
  我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。 本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。 提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
  論文  参考訳（メタデータ） (2024-03-20T00:41:12Z)
• 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)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Stochastic Gradient Bayesian Optimal Experimental Designs for Simulation-based Inference [0.0]
  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。
  論文  参考訳（メタデータ） (2023-06-27T18:15:41Z)
• Variational Sequential Optimal Experimental Design using Reinforcement Learning [0.0]
  対OEDは、変分後部近似を用いた一点報酬の定式化を採用し、期待される情報ゲインに対する証明可能な低いバウンドを提供する。 我々は,既存の逐次実験設計アルゴリズムと比較して,サンプル効率が優れていることを示しながら,様々な工学・科学応用における vsOED の実証を行った。
  論文  参考訳（メタデータ） (2023-06-17T21:47:19Z)
• 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)
• CO-BED: Information-Theoretic Contextual Optimization via Bayesian Experimental Design [31.247108087199095]
  CO-BEDは、情報理論の原理を用いて文脈実験を設計するためのモデルに依存しないフレームワークである。 その結果、CO-BEDは、幅広い文脈最適化問題に対して、汎用的で自動化されたソリューションを提供する。
  論文  参考訳（メタデータ） (2023-02-27T18:14:13Z)
• 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)
• 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)
• Optimal Bayesian experimental design for subsurface flow problems [77.34726150561087]
  本稿では,設計ユーティリティ機能のためのカオス拡張サロゲートモデル(PCE)の開発のための新しいアプローチを提案する。 この手法により,対象関数に対する適切な品質応答面の導出が可能となり,計算予算は複数の単点評価に匹敵する。
  論文  参考訳（メタデータ） (2020-08-10T09:42:59Z)

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。