論文の概要: Simulation-based Inference via Langevin Dynamics with Score Matching

• arxiv url: http://arxiv.org/abs/2509.03853v2
• Date: Thu, 11 Sep 2025 19:24:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 14:04:03.090206
• Title: Simulation-based Inference via Langevin Dynamics with Score Matching
• Title（参考訳）: スコアマッチングを用いたLangevin Dynamicsによるシミュレーションベース推論
• Authors: Haoyu Jiang, Yuexi Wang, Yun Yang,
• Abstract要約: シミュレーションベース推論(SBI)は、確率が難しければベイズ解析が可能であるが、モデルシミュレーションが利用可能である。 本稿では,Langevinのダイナミックスとスコアマッチングを統合し,複雑な後部景観をより効率的に探索する新しいSBI手法を提案する。 提案手法では,シミュレーションコストを削減するローカライズ手法や,ログライクなスコアの統計構造を組み込んでスコアマッチング精度を向上させるアーキテクチャ正則化など,SBIのための調整されたスコアマッチング手法を提案する。
• 参考スコア（独自算出の注目度）: 8.296393653529206
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulation-based inference (SBI) enables Bayesian analysis when the likelihood is intractable but model simulations are available. Recent advances in statistics and machine learning, including Approximate Bayesian Computation and deep generative models, have expanded the applicability of SBI, yet these methods often face challenges in moderate to high-dimensional parameter spaces. Motivated by the success of gradient-based Monte Carlo methods in Bayesian sampling, we propose a novel SBI method that integrates score matching with Langevin dynamics to explore complex posterior landscapes more efficiently in such settings. Our approach introduces tailored score-matching procedures for SBI, including a localization scheme that reduces simulation costs and an architectural regularization that embeds the statistical structure of log-likelihood scores to improve score-matching accuracy. We provide theoretical analysis of the method and illustrate its practical benefits on benchmark tasks and on more challenging problems in moderate to high dimensions, where it performs favorably compared to existing approaches.
• Abstract（参考訳）: シミュレーションベース推論(SBI)は、確率が難しければベイズ解析が可能であるが、モデルシミュレーションが利用可能である。 近似ベイズ計算や深部生成モデルを含む統計学や機械学習の最近の進歩は、SBIの適用性を拡大してきたが、これらの手法は中程度から高次元のパラメータ空間においてしばしば課題に直面している。 ベイジアンサンプリングにおける勾配に基づくモンテカルロ法の成功に触発され、ランゲヴィン力学とスコアマッチングを統合して複雑な後部景観をより効率的に探索する新しいSBI法を提案する。 提案手法では,シミュレーションコストを削減するローカライズ手法や,ログライクなスコアの統計構造を組み込んでスコアマッチング精度を向上させるアーキテクチャ正則化など,SBIのための調整されたスコアマッチング手法を提案する。 提案手法を理論的に解析し,ベンチマークタスクや,従来の手法と比較して適度に機能する中等度から高次元の課題に対して,その実用的メリットを示す。

関連論文リスト

• Active Sequential Posterior Estimation for Sample-Efficient Simulation-Based Inference [12.019504660711231]
  逐次的神経後部推定(ASNPE)を導入する。 ASNPEは、シミュレーションパラメータ候補の効用を基礎となる確率モデルに推定するために、推論ループにアクティブな学習スキームをもたらす。 提案手法は,大規模実世界の交通ネットワークにおいて,高度に調整されたベンチマークと最先端の後方推定手法より優れる。
  論文  参考訳（メタデータ） (2024-12-07T08:57:26Z)
• A Comprehensive Guide to Simulation-based Inference in Computational Biology [5.333122501732079]
  本稿では,複雑な生物モデルに対するSBIアプローチを決定するための包括的ガイドラインを提供する。 本ガイドラインは,実世界のデータを用いた細胞動態を記述する2つのエージェントベースモデルに適用する。 ニューラルSBI法は推論結果のシミュレーションを著しく少なく要求するが、偏りのある推定を行う傾向にある。
  論文  参考訳（メタデータ） (2024-09-29T12:04:03Z)
• 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)
• Fast, accurate and lightweight sequential simulation-based inference using Gaussian locally linear mappings [0.820217860574125]
  シミュレーションベース推論(SBI)の代替として,確率と後部分布の両方を近似する手法を提案する。 提案手法は,マルチモーダル後部であっても,最先端NNベースのSBI法と比較して正確な後部推測を導出する。 本研究は,SBI文献から得られたいくつかのベンチマークモデルと,mRNAトランスフェクション後の翻訳動態の生物学的モデルについて述べる。
  論文  参考訳（メタデータ） (2024-03-12T09:48:17Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Stochastic Gradient Bayesian Optimal Experimental Designs for Simulation-based Inference [0.0]
  比に基づくSBI推論アルゴリズムと勾配に基づく変分推論を相互情報のバウンダリを利用して重要な接続を確立する。 この接続により、実験的な設計と償却推論関数の同時最適化を拡張できる。
  論文  参考訳（メタデータ） (2023-06-27T18:15:41Z)
• Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
  本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。 また、局所的な一貫性の結果に基づいた理論的保証も提供する。 この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
  論文  参考訳（メタデータ） (2022-11-17T15:48:06Z)
• 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)
• SAMBA: Safe Model-Based & Active Reinforcement Learning [59.01424351231993]
  SAMBAは、確率論的モデリング、情報理論、統計学といった側面を組み合わせた安全な強化学習のためのフレームワークである。 我々は,低次元および高次元の状態表現を含む安全な力学系ベンチマークを用いて,アルゴリズムの評価を行った。 アクティブなメトリクスと安全性の制約を詳細に分析することで,フレームワークの有効性を直感的に評価する。
  論文  参考訳（メタデータ） (2020-06-12T10:40:46Z)

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。