論文の概要: Inductive Domain Transfer In Misspecified Simulation-Based Inference
- arxiv url: http://arxiv.org/abs/2508.15593v3
- Date: Tue, 21 Oct 2025 15:45:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 03:08:09.323598
- Title: Inductive Domain Transfer In Misspecified Simulation-Based Inference
- Title（参考訳）: ミス特定シミュレーションに基づく推論における帰納的ドメイン転送
- Authors: Ortal Senouf, Antoine Wehenkel, Cédric Vincent-Cuaz, Emmanuel Abbé, Pascal Frossard,
- Abstract要約: キャリブレーションと分散アライメントを1つのエンドツーエンドのトレーニング可能なモデルに統合する,完全な帰納的・償却型SBIフレームワークを提案する。
我々のアプローチは、他の標準SBIおよび非SBI推定器と同様に、RoPEの性能と一致または上回っている。
- 参考スコア（独自算出の注目度）: 29.26298096319145
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Simulation-based inference (SBI) is a statistical inference approach for estimating latent parameters of a physical system when the likelihood is intractable but simulations are available. In practice, SBI is often hindered by model misspecification--the mismatch between simulated and real-world observations caused by inherent modeling simplifications. RoPE, a recent SBI approach, addresses this challenge through a two-stage domain transfer process that combines semi-supervised calibration with optimal transport (OT)-based distribution alignment. However, RoPE operates in a fully transductive setting, requiring access to a batch of test samples at inference time, which limits scalability and generalization. We propose here a fully inductive and amortized SBI framework that integrates calibration and distributional alignment into a single, end-to-end trainable model. Our method leverages mini-batch OT with a closed-form coupling to align real and simulated observations that correspond to the same latent parameters, using both paired calibration data and unpaired samples. A conditional normalizing flow is then trained to approximate the OT-induced posterior, enabling efficient inference without simulation access at test time. Across a range of synthetic and real-world benchmarks--including complex medical biomarker estimation--our approach matches or surpasses the performance of RoPE, as well as other standard SBI and non-SBI estimators, while offering improved scalability and applicability in challenging, misspecified environments.
- Abstract（参考訳）: シミュレーションベース推論(英: Simulation-based inference, SBI)は、物理系の潜在パラメータを推定する統計的推論手法である。
実際には、SBIはモデルミススペクテーションによってしばしば妨げられ、--本質的なモデリングの単純化によって引き起こされるシミュレーションと実世界の観察のミスマッチである。
最近のSBIアプローチであるRoPEは、半教師付きキャリブレーションと最適輸送(OT)に基づく分散アライメントを組み合わせた2段階のドメイン転送プロセスを通じてこの問題に対処している。
しかし、RoPEは完全にトランスダクティブな設定で動作し、推論時にテストサンプルのバッチにアクセスする必要があるため、スケーラビリティと一般化が制限される。
ここでは、キャリブレーションと分散アライメントを1つのエンドツーエンドのトレーニング可能なモデルに統合する、完全に帰納的かつ償却されたSBIフレームワークを提案する。
提案手法は,2組のキャリブレーションデータとアンペアサンプルを用いて,同一の潜伏パラメータに対応する実・模擬観測値の整合性を確保するために,クローズドフォーム結合を用いたミニバッチOTを利用する。
その後、条件付き正規化フローをトレーニングし、OT誘起後部を近似し、テスト時にシミュレーションアクセスなしで効率的な推論を可能にする。
複雑な医療バイオマーカー推定を含む、さまざまな総合的および実世界のベンチマークは、我々のアプローチは、RoPEのパフォーマンスと、他の標準SBIや非SBI推定器と一致し、また、挑戦的で不特定な環境でのスケーラビリティと適用性を改善している。
関連論文リスト
- Bi-cLSTM: Residual-Corrected Bidirectional LSTM for Aero-Engine RUL Estimation [0.0]
頑健なRUL推定のための双方向残差補正LSTM(Bi-cLSTM)モデルを提案する。
提案アーキテクチャは、双方向時間モデルと適応的残差補正機構を組み合わせることで、反復的に配列表現を洗練させる。
NASA C-MAPSSデータセットの4つのサブセットの大規模な実験は、提案されたBi-cLSTMがLSTMベースのベースラインを一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2026-02-28T17:44:06Z) - Learnable Chernoff Baselines for Inference-Time Alignment [64.81256817158851]
本稿では,指数関数的に傾いたカーネルから効率よく,およそサンプリングする方法として,Learnerable Chernoff Baselinesを紹介した。
理想的なモデルに対する全変量保証を確立し、LCBサンプリングが理想的拒絶サンプリングと密接に一致するような連続的および離散的な拡散設定を実証する。
論文 参考訳（メタデータ） (2026-02-08T00:09:40Z) - Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。
シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。
マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
論文 参考訳（メタデータ） (2025-10-09T04:48:49Z) - Flow Matching for Robust Simulation-Based Inference under Model Misspecification [11.172752919335394]
Flow Matching Corrected Posterior Estimation(フローマッチング補正後推定)は、シミュレーションによって訓練された後部推定を、少数の実校正サンプルを用いて洗練するフレームワークである。
提案手法は,従来のSBIベースラインと比較して,推論精度と不確実性を向上し,不特定性の影響を常に緩和することを示す。
論文 参考訳（メタデータ） (2025-09-27T16:10:53Z) - Effortless, Simulation-Efficient Bayesian Inference using Tabular Foundation Models [14.125143586947177]
本研究では,TabPFNをSBIの自己回帰条件密度推定器として用いる方法を示す。
NPE-PFNは、推論ネットワークの選択、トレーニング、ハイパーパラメータチューニングの必要性を排除する。
モデルミス特定に優れたロバスト性を示し、TabPFNのコンテキストサイズ限界を超えるシミュレーション予算にスケールできる。
論文 参考訳（メタデータ） (2025-04-24T15:29:39Z) - Testing Generalizability in Causal Inference [3.547529079746247]
機械学習アルゴリズムの一般化性を統計的に評価するための公式な手続きは存在しない。
本研究では,高次元因果推論モデルの一般化可能性を統計的に評価するための体系的枠組みを提案する。
論文 参考訳（メタデータ） (2024-11-05T11:44:00Z) - FUSE: Fast Unified Simulation and Estimation for PDEs [11.991297011923004]
同じフレームワーク内で両方の問題を解決することは、正確性と堅牢性において一貫した利益をもたらす可能性がある、と私たちは主張する。
本研究は,本手法の全身血行動態シミュレーションにおける連続的および離散的バイオマーカーの予測能力について述べる。
論文 参考訳（メタデータ） (2024-05-23T13:37:26Z) - Addressing Misspecification in Simulation-based Inference through Data-driven Calibration [43.811367860375825]
本研究は, モデル不特定性を克服するフレームワークであるロPEを導入し, 実世界の小キャリブレーションによる地下構造パラメータの測定を行った。
4つの合成課題と2つの実世界の問題により、RoPEはベースラインを上回り、情報的およびキャリブレーションされた信頼区間を一貫して返却することを示した。
論文 参考訳（メタデータ） (2024-05-14T16:04:39Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - Robust Continual Test-time Adaptation: Instance-aware BN and
Prediction-balanced Memory [58.72445309519892]
テストデータストリーム以外のデータストリームに対して堅牢な新しいテスト時間適応方式を提案する。
a)分布外サンプルの正規化を修正するIABN(Instance-Aware Batch Normalization)と、(b)クラスバランスのない方法で非i.d.ストリームからのデータストリームをシミュレートするPBRS(Predict- Balanced Reservoir Sampling)である。
論文 参考訳（メタデータ） (2022-08-10T03:05:46Z) - Comparing Probability Distributions with Conditional Transport [63.11403041984197]
新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。
ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。
さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
論文 参考訳（メタデータ） (2020-12-28T05:14:22Z)
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。