論文の概要: Discriminative versus Generative Approaches to Simulation-based Inference

• arxiv url: http://arxiv.org/abs/2503.07962v1
• Date: Tue, 11 Mar 2025 01:38:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 15:41:39.551939
• Title: Discriminative versus Generative Approaches to Simulation-based Inference
• Title（参考訳）: シミュレーションに基づく推論における識別的アプローチと生成的アプローチ
• Authors: Benjamin Sluijter, Sascha Diefenbacher, Wahid Bhimji, Benjamin Nachman,
• Abstract要約: ディープラーニングにより、未結合かつ高次元パラメータ推定が可能になった。 ニューラルシミュレーションに基づく推論(N SBI)における2つのアプローチの比較を行った。 直接確率比推定と確率比推定の両方が、妥当な不確実性を持つパラメータを効果的に抽出できることが判明した。
• 参考スコア（独自算出の注目度）: 0.19999259391104385
• License:
• Abstract: Most of the fundamental, emergent, and phenomenological parameters of particle and nuclear physics are determined through parametric template fits. Simulations are used to populate histograms which are then matched to data. This approach is inherently lossy, since histograms are binned and low-dimensional. Deep learning has enabled unbinned and high-dimensional parameter estimation through neural likelihiood(-ratio) estimation. We compare two approaches for neural simulation-based inference (NSBI): one based on discriminative learning (classification) and one based on generative modeling. These two approaches are directly evaluated on the same datasets, with a similar level of hyperparameter optimization in both cases. In addition to a Gaussian dataset, we study NSBI using a Higgs boson dataset from the FAIR Universe Challenge. We find that both the direct likelihood and likelihood ratio estimation are able to effectively extract parameters with reasonable uncertainties. For the numerical examples and within the set of hyperparameters studied, we found that the likelihood ratio method is more accurate and/or precise. Both methods have a significant spread from the network training and would require ensembling or other mitigation strategies in practice.
• Abstract（参考訳）: 素粒子と核物理学の基本的、創発的、現象論的パラメータのほとんどはパラメトリックテンプレートフィッティングによって決定される。 シミュレーションはヒストグラムをポピュレートするために使用され、データにマッチする。 このアプローチは、ヒストグラムが双対で低次元であるため、本質的に損失がある。 ディープ・ラーニングにより、ニューラル・スリヒオッド(-ratio)推定による未結合・高次元パラメータ推定が可能となった。 神経シミュレーションに基づく推論(NSBI)には,識別学習(分類)と生成モデルに基づく2つのアプローチを比較する。 これらの2つのアプローチは同じデータセット上で直接評価され、どちらの場合も同様のレベルのハイパーパラメータ最適化が可能である。 ガウスデータセットに加えて、FAIR Universe Challengeのヒッグス粒子データセットを用いてNSBIを研究する。 直接確率比推定と確率比推定の両方が、妥当な不確実性を持つパラメータを効果的に抽出できることが判明した。 数値例と超パラメータの集合について検討した結果, 確率比法の方が精度が高く, 精度も高いことがわかった。 どちらの手法もネットワークトレーニングからかなりの広がりがあり、実際にはアンサンブルや他の緩和戦略を必要とする。

関連論文リスト

• Neural Parameter Estimation with Incomplete Data [0.0]
  さまざまな理由で不完全なデータを持つニューラルネットワークを使用するのは簡単ではない。 この問題を解決するために最近提案されたアプローチでは、適切なパッド付きデータベクトルと、欠損パターンを符号化したベクトルをニューラルネットワークに入力する。 本稿ではモンテカルロ予想最大化(EM)アルゴリズムに基づく代替手法を提案する。
  論文  参考訳（メタデータ） (2025-01-08T08:05:17Z)
• 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)
• A Federated Learning-based Industrial Health Prognostics for Heterogeneous Edge Devices using Matched Feature Extraction [16.337207503536384]
  本稿では,特徴類似性マッチングパラメータアグリゲーションアルゴリズムを用いたFL型健康予後モデルを提案する。 提案手法は, 健康状態推定と生活寿命推定において, 44.5%, 39.3%の精度向上を達成できることを示す。
  論文  参考訳（メタデータ） (2023-05-13T07:20:31Z)
• Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
  疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。 パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。 提案手法はRパッケージプローブに実装されている。
  論文  参考訳（メタデータ） (2022-09-16T19:15:50Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Probabilistic Inference of Simulation Parameters via Parallel Differentiable Simulation [34.30381620584878]
  実世界の計測を正確に再現するには、シミュレーターが適切な物理系のモデルを持つ必要がある。 ベイズ推定手法を用いてパラメータを推定する後者の問題に対処する。 我々は、GPUコード生成と微分可能シミュレーションを利用して、多くの粒子に対するその可能性とその勾配を並列に評価する。
  論文  参考訳（メタデータ） (2021-09-18T03:05:44Z)
• MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
  シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。 あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。 モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-03T12:59:16Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• SODEN: A Scalable Continuous-Time Survival Model through Ordinary Differential Equation Networks [14.564168076456822]
  本稿では、ニューラルネットワークとスケーラブルな最適化アルゴリズムを用いた生存分析のためのフレキシブルモデルを提案する。 提案手法の有効性を,既存の最先端ディープラーニングサバイバル分析モデルと比較した。
  論文  参考訳（メタデータ） (2020-08-19T19:11:25Z)

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。