論文の概要: Robust Simulation-Based Inference under Missing Data via Neural Processes
- arxiv url: http://arxiv.org/abs/2503.01287v1
- Date: Mon, 03 Mar 2025 08:22:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-05 19:26:47.518393
- Title: Robust Simulation-Based Inference under Missing Data via Neural Processes
- Title（参考訳）: ニューラルプロセスによる欠測データに基づくロバストシミュレーションに基づく推論
- Authors: Yogesh Verma, Ayush Bharti, Vikas Garg,
- Abstract要約: 我々は,SBIにおける欠落データの問題を定式化し,本手法がSBI後部推定にバイアスをもたらすことを示す。
また,神経後部推定フレームワークにおいて,計算モデルと推論ネットワークを共同で学習することにより,この問題に対処する新しい補正手法を提案する。
- 参考スコア（独自算出の注目度）: 6.32765579505162
- License:
- Abstract: Simulation-based inference (SBI) methods typically require fully observed data to infer parameters of models with intractable likelihood functions. However, datasets often contain missing values due to incomplete observations, data corruptions (common in astrophysics), or instrument limitations (e.g., in high-energy physics applications). In such scenarios, missing data must be imputed before applying any SBI method. We formalize the problem of missing data in SBI and demonstrate that naive imputation methods can introduce bias in the estimation of SBI posterior. We also introduce a novel amortized method that addresses this issue by jointly learning the imputation model and the inference network within a neural posterior estimation (NPE) framework. Extensive empirical results on SBI benchmarks show that our approach provides robust inference outcomes compared to standard baselines for varying levels of missing data. Moreover, we demonstrate the merits of our imputation model on two real-world bioactivity datasets (Adrenergic and Kinase assays). Code is available at https://github.com/Aalto-QuML/RISE.
- Abstract（参考訳）: シミュレーションベースの推論(SBI)法は一般的に、難易度関数を持つモデルのパラメータを推測するために、完全に観測されたデータを必要とする。
しかし、データセットには、不完全な観測、データ破損(天体物理学でよく見られる)、機器の制限(高エネルギー物理学の応用など)による不足値が含まれることが多い。
このようなシナリオでは、SBIメソッドを適用する前に、欠落したデータをインプットする必要がある。
我々は,SBIにおける欠落データの問題を定式化し,本手法がSBI後部推定にバイアスをもたらすことを示す。
また、ニューラル後推定(NPE)フレームワークにおいて、計算モデルと推論ネットワークを共同で学習することにより、この問題に対処する新しい補正手法を導入する。
SBIベンチマークの大規模な実験結果から,本手法は様々なレベルの欠落データに対する標準ベースラインと比較して,堅牢な推論結果をもたらすことが示された。
さらに,実世界の2つの生物活性データセット(アドレナリンおよびキナーゼアッセイ)上での計算モデルの有効性を実証した。
コードはhttps://github.com/Aalto-QuML/RISEで入手できる。
関連論文リスト
- Robust Amortized Bayesian Inference with Self-Consistency Losses on Unlabeled Data [2.9434969286228494]
本研究では,モデルから生成した(ラベル付き)シミュレーションデータだけでなく,実世界のデータを含む任意の情報源から生成したラベル付きデータ上でのトレーニングを可能にする半教師付きアプローチを提案する。
実験結果から, シミュレーション外データに対するABIのロバスト性は著しく向上した。
我々の研究結果が他のシナリオやモデルクラスにも一般化されれば、新しい手法は神経性ABIの大きなブレークスルーとなると信じています。
論文 参考訳（メタデータ） (2025-01-23T08:57:02Z) - 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) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - Calibrating Neural Simulation-Based Inference with Differentiable
Coverage Probability [50.44439018155837]
ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。
古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。
既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
論文 参考訳（メタデータ） (2023-10-20T10:20:45Z) - Learning Robust Statistics for Simulation-based Inference under Model
Misspecification [23.331522354991527]
本稿では,シミュレーションに基づく推論手法の異なるクラスにまたがって機能するモデル不特定性を扱うための,最初の一般的なアプローチを提案する。
提案手法は,モデルが適切に特定された場合の精度を保ちながら,不特定シナリオにおいて頑健な推論をもたらすことを示す。
論文 参考訳（メタデータ） (2023-05-25T09:06:26Z) - 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) - Efficient identification of informative features in simulation-based
inference [5.538076164981993]
訓練後, 後部を推測し, 特徴の寄与度を評価する前に, 訓練後のサロゲート確率を極端に評価できることが示唆された。
本稿では,HHニューロンモデルのパラメータを推定する上で最も重要な特徴を同定し,本手法の有用性を示す。
論文 参考訳（メタデータ） (2022-10-21T12:35:46Z) - MissDAG: Causal Discovery in the Presence of Missing Data with
Continuous Additive Noise Models [78.72682320019737]
不完全な観測データから因果発見を行うため,MissDAGと呼ばれる一般的な手法を開発した。
MissDAGは、期待-最大化の枠組みの下で観測の可視部分の期待される可能性を最大化する。
各種因果探索アルゴリズムを組み込んだMissDAGの柔軟性について,広範囲なシミュレーションと実データ実験により検証した。
論文 参考訳（メタデータ） (2022-05-27T09:59:46Z) - MIRACLE: Causally-Aware Imputation via Learning Missing Data Mechanisms [82.90843777097606]
欠落データに対する因果認識型計算アルゴリズム(MIRACLE)を提案する。
MIRACLEは、欠落発生機構を同時にモデル化することにより、ベースラインの計算を反復的に洗練する。
我々は、MIRACLEが一貫してイミューテーションを改善することができることを示すために、合成および様々な公開データセットに関する広範な実験を行う。
論文 参考訳（メタデータ） (2021-11-04T22:38:18Z) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳（メタデータ） (2021-07-05T12:44:39Z) - SBI -- A toolkit for simulation-based inference [0.0]
シミュレーションベースの推論 (SBI) は、a) が先行知識と互換性があり、b) が経験的観察と一致するパラメータ集合を識別しようとする。
ニューラルネットワークに基づくSBIアルゴリズムを実装したPyTorchベースのパッケージであるtextttsbi$を提示する。
論文 参考訳（メタデータ） (2020-07-17T16:53:51Z)
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。