論文の概要: Simulation-Based Inference: A Practical Guide

• arxiv url: http://arxiv.org/abs/2508.12939v1
• Date: Mon, 18 Aug 2025 14:09:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:11.367613
• Title: Simulation-Based Inference: A Practical Guide
• Title（参考訳）: シミュレーションに基づく推論: 実践的ガイド
• Authors: Michael Deistler, Jan Boelts, Peter Steinbach, Guy Moss, Thomas Moreau, Manuel Gloeckler, Pedro L. C. Rodrigues, Julia Linhart, Janne K. Lappalainen, Benjamin Kurt Miller, Pedro J. Gonçalves, Jan-Matthis Lueckmann, Cornelius Schröder, Jakob H. Macke,
• Abstract要約: シミュレーションに基づく推論は、粒子物理学、天体物理学、神経科学などの分野における科学的発見を可能にした。 構造化されたSBIワークフローを概説し、プロセスの各段階で実践的なガイドラインと診断ツールを提供する。 このチュートリアルは、研究者に最先端のSBI手法を適用し、科学的発見のための効率的なパラメータ推論を容易にする。
• 参考スコア（独自算出の注目度）: 14.664936126064399
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A central challenge in many areas of science and engineering is to identify model parameters that are consistent with prior knowledge and empirical data. Bayesian inference offers a principled framework for this task, but can be computationally prohibitive when models are defined by stochastic simulators. Simulation-based Inference (SBI) is a suite of methods developed to overcome this limitation, which has enabled scientific discoveries in fields such as particle physics, astrophysics, and neuroscience. The core idea of SBI is to train neural networks on data generated by a simulator, without requiring access to likelihood evaluations. Once trained, inference is amortized: The neural network can rapidly perform Bayesian inference on empirical observations without requiring additional training or simulations. In this tutorial, we provide a practical guide for practitioners aiming to apply SBI methods. We outline a structured SBI workflow and offer practical guidelines and diagnostic tools for every stage of the process -- from setting up the simulator and prior, choosing and training inference networks, to performing inference and validating the results. We illustrate these steps through examples from astrophysics, psychophysics, and neuroscience. This tutorial empowers researchers to apply state-of-the-art SBI methods, facilitating efficient parameter inference for scientific discovery.
• Abstract（参考訳）: 科学と工学の多くの分野における中心的な課題は、事前の知識と経験的データと整合したモデルパラメータを特定することである。 ベイズ推論は、このタスクの原理的なフレームワークを提供するが、確率的シミュレータによってモデルが定義される場合、計算的に禁止される。 シミュレーションベースの推論(SBI)は、この制限を克服するために開発された一連の手法であり、粒子物理学、天体物理学、神経科学などの分野における科学的発見を可能にした。 SBIの中核となる考え方は、シミュレータが生成したデータに基づいてニューラルネットワークをトレーニングすることである。 ニューラルネットワークは、追加のトレーニングやシミュレーションを必要とせずに、経験的な観察に関するベイズ推論を迅速に実行できます。 本チュートリアルでは,SBI手法の適用を目的とした実践者のための実践的ガイドを提供する。 構造化されたSBIワークフローの概要と、シミュレータと事前設定、推論ネットワークの選択とトレーニング、推論の実行、結果の検証など、プロセスのすべての段階で実践的なガイドラインと診断ツールを提供します。 これらのステップは、天体物理学、精神物理学、神経科学の例から説明します。 このチュートリアルは、研究者に最先端のSBI手法を適用し、科学的発見のための効率的なパラメータ推論を容易にする。

関連論文リスト

• Multilevel neural simulation-based inference [4.6685771141109305]
  本稿では,様々なコストと忠実度を持つシミュレータが利用可能な設定に,マルチレベルモンテカルロ手法を活用するニューラルSBIの新たなアプローチを提案する。 計算予算が固定された場合のSBI手法の精度を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2025-06-06T13:47:09Z)
• sbi reloaded: a toolkit for simulation-based inference workflows [15.696312591547283]
  我々は、ニューラルネットワークに基づくベイズ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sbiを開発し、保守し、拡張した。 sbiツールキットは、科学者やエンジニアが最先端のSBIメソッドをブラックボックスシミュレータに適用することを可能にする。
  論文  参考訳（メタデータ） (2024-11-26T11:31:47Z)
• Deep Learning Through A Telescoping Lens: A Simple Model Provides Empirical Insights On Grokking, Gradient Boosting & Beyond [61.18736646013446]
  その驚くべき振る舞いをより深く理解するために、トレーニングされたニューラルネットワークの単純かつ正確なモデルの有用性について検討する。 3つのケーススタディで、様々な顕著な現象に関する新しい経験的洞察を導き出すためにどのように適用できるかを説明します。
  論文  参考訳（メタデータ） (2024-10-31T22:54:34Z)
• 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)
• Robust Simulation-Based Inference in Cosmology with Bayesian Neural Networks [3.497773679350512]
  SBIのトレーニングにベイズネットワークフレームワークを用いることでバイアスを軽減し、トレーニングセット外のより信頼性の高い推論を実現する方法を示す。 SWAGは、宇宙論における平均ウェイト平均化の最初の応用であり、マイクロ波背景の推測のために訓練されたSBIに適用する。
  論文  参考訳（メタデータ） (2022-07-18T08:41:00Z)
• An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
  我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。 本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
  論文  参考訳（メタデータ） (2021-08-09T17:39:09Z)
• FF-NSL: Feed-Forward Neural-Symbolic Learner [70.978007919101]
  本稿では,Feed-Forward Neural-Symbolic Learner (FF-NSL) と呼ばれるニューラルシンボリック学習フレームワークを紹介する。 FF-NSLは、ラベル付き非構造化データから解釈可能な仮説を学習するために、Answer Setセマンティクスに基づく最先端のICPシステムとニューラルネットワークを統合する。
  論文  参考訳（メタデータ） (2021-06-24T15:38:34Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
  本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。 我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。 我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
  論文  参考訳（メタデータ） (2020-11-17T22:24:26Z)

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。