論文の概要: PriorGuide: Test-Time Prior Adaptation for Simulation-Based Inference

• arxiv url: http://arxiv.org/abs/2510.13763v1
• Date: Wed, 15 Oct 2025 17:11:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.782901
• Title: PriorGuide: Test-Time Prior Adaptation for Simulation-Based Inference
• Title（参考訳）: PriorGuide: シミュレーションベースの推論のためのテスト時間事前適応
• Authors: Yang Yang, Severi Rissanen, Paul E. Chang, Nasrulloh Loka, Daolang Huang, Arno Solin, Markus Heinonen, Luigi Acerbi,
• Abstract要約: 拡散型アモルト化推論法に特化して設計された手法である PreferGuide を紹介する。 これにより、トレーニングされた拡散モデルをテスト時に、コストのかかる再トレーニングを伴わずに、フレキシブルな適用が可能になる。 これにより、ユーザーは更新情報や専門知識のトレーニング後を簡単に組み込むことができ、事前訓練された推論モデルの汎用性を高めることができる。
• 参考スコア（独自算出の注目度）: 35.357213292828426
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Amortized simulator-based inference offers a powerful framework for tackling Bayesian inference in computational fields such as engineering or neuroscience, increasingly leveraging modern generative methods like diffusion models to map observed data to model parameters or future predictions. These approaches yield posterior or posterior-predictive samples for new datasets without requiring further simulator calls after training on simulated parameter-data pairs. However, their applicability is often limited by the prior distribution(s) used to generate model parameters during this training phase. To overcome this constraint, we introduce PriorGuide, a technique specifically designed for diffusion-based amortized inference methods. PriorGuide leverages a novel guidance approximation that enables flexible adaptation of the trained diffusion model to new priors at test time, crucially without costly retraining. This allows users to readily incorporate updated information or expert knowledge post-training, enhancing the versatility of pre-trained inference models.
• Abstract（参考訳）: 償却シミュレータベースの推論は、工学や神経科学などの計算分野におけるベイズ推論に取り組むための強力なフレームワークを提供し、拡散モデルのような現代的な生成手法を活用して、観測されたデータをモデルパラメータや将来の予測にマッピングする。 これらのアプローチは、シミュレーションパラメーターデータペアのトレーニング後、さらなるシミュレーターコールを必要とせずに、新しいデータセットの後方または後方予測サンプルを生成する。 しかしながら、それらの適用性は、このトレーニングフェーズでモデルパラメータを生成するために使われる以前の分布によって制限されることが多い。 この制約を克服するために,拡散に基づく償却推論手法に特化して設計された PreferGuide を導入する。 PriorGuideは、トレーニングされた拡散モデルの、コストのかかる再トレーニングなしに、テスト時に新しい事前への柔軟な適応を可能にする、新しいガイダンス近似を活用している。 これにより、ユーザーは更新情報や専門知識のトレーニング後を簡単に組み込むことができ、事前訓練された推論モデルの汎用性を高めることができる。

関連論文リスト

• Proactive Model Adaptation Against Concept Drift for Online Time Series Forecasting [23.50574069148193]
  本稿では,オンライン時系列予測のための新しいプロアクティブモデル適応フレームワークを提案する。 Proceedは最初に、最近使用したトレーニングサンプルと現在のテストサンプルの間のコンセプトドリフトを推定する。 次に、推定ドリフトをパラメータ調整に効率的に変換するために適応生成器を使用する。
  論文  参考訳（メタデータ） (2024-12-11T14:57:10Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• ReAugment: Model Zoo-Guided RL for Few-Shot Time Series Augmentation and Forecasting [74.00765474305288]
  本稿では,時系列データ拡張のための強化学習(RL)の試験的検討を行う。 我々の手法であるReAugmentは、トレーニングセットのどの部分が拡張されるべきか、どのように拡張を行うべきか、RLがプロセスにどのような利点をもたらすのか、という3つの重要な問題に取り組む。
  論文  参考訳（メタデータ） (2024-09-10T07:34:19Z)
• All-in-one simulation-based inference [19.41881319338419]
  我々は、現在の制限を克服する新しい償却推論手法、Simformerを提案する。 Simformerは、ベンチマークタスクにおける現在の最先端の償却推論アプローチより優れています。 関数値パラメータを持つモデルに適用することができ、欠落または非構造化データによる推論シナリオを処理でき、パラメータとデータの合同分布の任意の条件をサンプリングすることができる。
  論文  参考訳（メタデータ） (2024-04-15T10:12:33Z)
• 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)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Predictive machine learning for prescriptive applications: a coupled training-validating approach [77.34726150561087]
  規範的応用のための予測機械学習モデルをトレーニングするための新しい手法を提案する。 このアプローチは、標準的なトレーニング検証テストスキームの検証ステップを微調整することに基づいている。 合成データを用いたいくつかの実験は、決定論的モデルと実モデルの両方において処方料コストを削減できる有望な結果を示した。
  論文  参考訳（メタデータ） (2021-10-22T15:03:20Z)
• Last Layer Marginal Likelihood for Invariance Learning [12.00078928875924]
  我々は、より大きな確率関数のクラスに対する推論を行うことができるような、限界確率に対する新しい下界を導入する。 我々は、最後の層にガウス的プロセスを持つアーキテクチャを使用することで、このアプローチをニューラルネットワークに導入することに取り組んでいます。
  論文  参考訳（メタデータ） (2021-06-14T15:40:51Z)
• 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)

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。