論文の概要: Towards Trustworthy Amortized Bayesian Model Comparison

• arxiv url: http://arxiv.org/abs/2508.20614v1
• Date: Thu, 28 Aug 2025 10:01:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:02.318427
• Title: Towards Trustworthy Amortized Bayesian Model Comparison
• Title（参考訳）: 信頼できる償却ベイズモデルの比較に向けて
• Authors: Šimon Kucharský, Aayush Mishra, Daniel Habermann, Stefan T. Radev, Paul-Christian Bürkner,
• Abstract要約: 我々は、BMC推定を改善するために、ラベルのない実データに自己整合性損失を伴ってシミュレーションベースのトレーニングを補完する。 解析的および橋梁サンプリングベンチマークと比較し, SCの有無と非道徳的証拠推定値の比較を行った。 ニューラルサロゲートの確率は限定的であり、信頼に値するBMCの確率が正確である場合に最も実用的である。
• 参考スコア（独自算出の注目度）: 8.705960143968882
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Amortized Bayesian model comparison (BMC) enables fast probabilistic ranking of models via simulation-based training of neural surrogates. However, the reliability of neural surrogates deteriorates when simulation models are misspecified - the very case where model comparison is most needed. Thus, we supplement simulation-based training with a self-consistency (SC) loss on unlabeled real data to improve BMC estimates under empirical distribution shifts. Using a numerical experiment and two case studies with real data, we compare amortized evidence estimates with and without SC against analytic or bridge sampling benchmarks. SC improves calibration under model misspecification when having access to analytic likelihoods. However, it offers limited gains with neural surrogate likelihoods, making it most practical for trustworthy BMC when likelihoods are exact.
• Abstract（参考訳）: Amortized Bayesian Model Comparison (BMC) は、ニューラルサロゲートのシミュレーションに基づくトレーニングを通じて、モデルの高速確率的ランク付けを可能にする。 しかしながら、シミュレーションモデルが誤って特定された場合、ニューラルネットワークサロゲートの信頼性は低下する。 そこで,実験的な分布シフト下でのBMC推定を改善するために,ラベルのない実データに自己整合性(SC)損失を伴ってシミュレーションベーストレーニングを補完する。 数値実験と実データを用いた2つのケーススタディを用いて,解析的および橋梁サンプリングベンチマークとの比較を行った。 SCは分析可能性にアクセスする際に、モデルミススペクテーションの下で校正を改善する。 しかし、ニューラルサロゲートの確率は限られており、信頼性の高いBMCの確率が正確である場合に最も実用的である。

関連論文リスト

• Uncertainty-Aware Surrogate-based Amortized Bayesian Inference for Computationally Expensive Models [1.5511264120614792]
  不確かさを意識したサロゲートに基づくアモータイズベイズ推論(UA-SABI)を提案する。 実験により,厳密な時間制約下であっても,計算コストの高いモデルに対するベイズ推定を信頼性,高速かつ繰り返し行うことが可能であることが確認された。
  論文  参考訳（メタデータ） (2025-05-13T15:44:10Z)
• Investigating the Robustness of Counterfactual Learning to Rank Models: A Reproducibility Study [71.04084063541777]
  ランク付けのためのカウンターファクトラーニングはIRコミュニティで広く注目を集めている。 モデルは、ユーザの振る舞いの仮定が正しく、確率推定が正確であるときに理論的に非バイアス化される。 それらの有効性は通常シミュレーションベースの実験を通じて実証的に評価されるが、これは広く利用可能な大規模で実際のクリックログが不足しているためである。
  論文  参考訳（メタデータ） (2024-04-04T10:54:38Z)
• 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)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)
• Maximum Likelihood Learning of Unnormalized Models for Simulation-Based Inference [44.281860162298564]
  シミュレーションベース推論のための2つの合成確率法を提案する。 本研究では,シミュレータによって生成された合成データを用いて,条件付きエネルギーベースモデル(EBM)を学習する。 本研究は, カニの神経科学ネットワークのモデルに適用し, 各種合成データセット上での両手法の特性を実証する。
  論文  参考訳（メタデータ） (2022-10-26T14:38:24Z)
• Robust Neural Posterior Estimation and Statistical Model Criticism [1.5749416770494706]
  モデラーはシミュレータを真のデータ生成プロセスの理想主義的な表現として扱わなければならない。 本研究では,シミュレーションモデルにおけるブラックボックスパラメータ推論を可能にするアルゴリズムのクラスであるNPEを再検討する。 一方,NPEを経時的に用いた場合,不特定性の存在は信頼できない推論につながることが判明した。
  論文  参考訳（メタデータ） (2022-10-12T20:06:55Z)
• BSM loss: A superior way in modeling aleatory uncertainty of fine_grained classification [0.0]
  混合データ拡張戦略を用いた改良型ブートストラップ損失(BS損失)関数を提案する。 実験の結果,Mixup(BSM)モデルによるBS損失は,標準データ拡張と比較して予測誤差(ECE)を半減できることがわかった。 BSMモデルはドメイン外のデータのセマンティックな距離を知覚することができ、実際の臨床実践において高い可能性を示す。
  論文  参考訳（メタデータ） (2022-06-09T13:06:51Z)
• Model Comparison in Approximate Bayesian Computation [0.456877715768796]
  自然科学における一般的な問題は、観測されたデータに照らして競合するモデルの比較である。 この枠組みは、実際に使用されるほとんどのモデルにとって難解な確率関数の計算に依存している。 ABCにおけるベイズモデルの比較を行うための新しい効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-03-15T10:24:16Z)
• CGAN-EB: A Non-parametric Empirical Bayes Method for Crash Hotspot Identification Using Conditional Generative Adversarial Networks: A Simulated Crash Data Study [2.3204178451683264]
  交通における経験的ベイズ推定(EB)を近似するために,CGAN-EBと呼ばれる新しい非パラメトリックな経験的ベイズ手法を提案する。 その性能は、負二項モデル(NB-EB)に基づく従来の手法と比較される。
  論文  参考訳（メタデータ） (2021-12-13T16:02:47Z)
• Contrastive Model Inversion for Data-Free Knowledge Distillation [60.08025054715192]
  そこで、データ多様性を最適化可能な目的として明示的にモデル化するContrastive Model Inversionを提案します。 我々の主な観察では、同じ量のデータの制約の下では、高いデータの多様性は、通常より強いインスタンス識別を示す。 CIFAR-10, CIFAR-100, Tiny-ImageNetを用いた実験により, 生成したデータを知識蒸留に使用する場合, CMIは極めて優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2021-05-18T15:13:00Z)

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。