論文の概要: FNOPE: Simulation-based inference on function spaces with Fourier Neural Operators

• arxiv url: http://arxiv.org/abs/2505.22573v1
• Date: Wed, 28 May 2025 16:46:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.744447
• Title: FNOPE: Simulation-based inference on function spaces with Fourier Neural Operators
• Title（参考訳）: FNOPE:フーリエニューラル演算子を用いた関数空間のシミュレーションに基づく推論
• Authors: Guy Moss, Leah Sophie Muhle, Reinhard Drews, Jakob H. Macke, Cornelius Schröder,
• Abstract要約: 本稿では,フローマッチングを目的としたフーリエ演算子 (FNO) アーキテクチャを用いた後部推定手法を提案する。 FNOPEは、技術手法の状態のシミュレーション予算のごく一部で関数値パラメータの推測を行うことができる。 FNOPEは、関数値パラメータの推論を可能にすることにより、SBI法を新しい科学的領域に適用可能にする。
• 参考スコア（独自算出の注目度）: 5.673617376471343
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulation-based inference (SBI) is an established approach for performing Bayesian inference on scientific simulators. SBI so far works best on low-dimensional parametric models. However, it is difficult to infer function-valued parameters, which frequently occur in disciplines that model spatiotemporal processes such as the climate and earth sciences. Here, we introduce an approach for efficient posterior estimation, using a Fourier Neural Operator (FNO) architecture with a flow matching objective. We show that our approach, FNOPE, can perform inference of function-valued parameters at a fraction of the simulation budget of state of the art methods. In addition, FNOPE supports posterior evaluation at arbitrary discretizations of the domain, as well as simultaneous estimation of vector-valued parameters. We demonstrate the effectiveness of our approach on several benchmark tasks and a challenging spatial inference task from glaciology. FNOPE extends the applicability of SBI methods to new scientific domains by enabling the inference of function-valued parameters.
• Abstract（参考訳）: シミュレーションベースの推論(SBI)は、科学シミュレータ上でベイズ推論を行うための確立されたアプローチである。 これまでのSBIは、低次元パラメトリックモデルに最適である。 しかし、気候や地球科学のような時空間過程をモデル化する分野においてしばしば発生する機能評価パラメータを推測することは困難である。 本稿では,フローマッチングを目的としたフーリエニューラル演算子(FNO)アーキテクチャを用いて,効率的な後部推定手法を提案する。 本研究では,FNOPEによる関数値パラメータの推定を,最先端手法のシミュレーション予算のごく一部で行うことができることを示す。 さらに、FNOPEは、任意の領域の離散化における後方評価をサポートし、ベクトル値パラメータの同時推定もサポートする。 本稿では,いくつかのベンチマークタスクに対するアプローチの有効性と,氷河学からの空間推論課題について述べる。 FNOPEは、関数値パラメータの推論を可能にすることにより、SBI法を新しい科学的領域に適用可能にする。

関連論文リスト

• ConDiSim: Conditional Diffusion Models for Simulation Based Inference [0.3749861135832073]
  ConDiSimは、計算可能な確率を持つ複素系のシミュレーションに基づく推論のための条件拡散モデルである。 10のベンチマーク問題と2つの実世界のテスト問題で評価され、有効な後部近似の精度を示す。
  論文  参考訳（メタデータ） (2025-05-13T09:58:23Z)
• 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)
• Simulation-based inference using surjective sequential neural likelihood estimation [50.24983453990065]
  主観的逐次的ニューラルネットワーク類似度推定はシミュレーションに基づく推論の新しい手法である。 データを低次元空間に埋め込むことで、SSNLは高次元データセットに適用する際の従来の可能性ベースの手法が抱えるいくつかの問題を解く。
  論文  参考訳（メタデータ） (2023-08-02T10:02:38Z)
• 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)
• Arbitrary Marginal Neural Ratio Estimation for Simulation-based Inference [7.888755225607877]
  本稿では,数値積分に頼らずにパラメータの任意の部分集合に対する償却推論を可能にする新しい手法を提案する。 重力波観測による二元ブラックホール系のパラメータ推定法の適用性を示す。
  論文  参考訳（メタデータ） (2021-10-01T14:35:46Z)
• Truncated Marginal Neural Ratio Estimation [5.438798591410838]
  本稿では、シミュレーション効率と高速な実験後テスト容易性を同時に提供するニューラルネットワークシミュレータベースの推論アルゴリズムを提案する。 本手法は関節後部ではなく低次元縁後部を同時に推定することによりシミュレーションを効率化する。 局所的アモータイズ後部を推定することにより,提案アルゴリズムは推論結果のロバスト性の効率的な実証試験を可能にする。
  論文  参考訳（メタデータ） (2021-07-02T18:00:03Z)
• 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)
• Misspecification-robust likelihood-free inference in high dimensions [13.934999364767918]
  本稿では,ベイズ最適化に基づく近似離散関数の確率的手法による拡張を提案する。 提案手法は,高次元パラメータ空間に対する計算スケーラビリティを,各パラメータの別個の取得関数と相違点を用いて達成する。 本手法は,100次元空間における標準例による計算効率のよい推論を成功させ,既存のモジュール化ABC法と比較した。
  論文  参考訳（メタデータ） (2020-02-21T16:06:11Z)

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。