論文の概要: Dynamic SBI: Round-free Sequential Simulation-Based Inference with Adaptive Datasets

• arxiv url: http://arxiv.org/abs/2510.13997v1
• Date: Wed, 15 Oct 2025 18:24:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.579946
• Title: Dynamic SBI: Round-free Sequential Simulation-Based Inference with Adaptive Datasets
• Title（参考訳）: 動的SBI:適応データセットを用いたラウンドフリーシーケンスシミュレーションに基づく推論
• Authors: Huifang Lyu, James Alvey, Noemi Anau Montel, Mauro Pieroni, Christoph Weniger,
• Abstract要約: ラウンドフリーで非同期で並列性の高い方法でシーケンシャルメソッドのコアアイデアを実装した動的SBIを導入する。 中心となるのは、ターゲット観測に類似するように推論中に反復的に変換される適応データセットである。 我々は,動的SBIが推論性能を維持しながらシミュレーション効率を大幅に向上できることを実証した。
• 参考スコア（独自算出の注目度）: 0.9134244356393665
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulation-based inference (SBI) is emerging as a new statistical paradigm for addressing complex scientific inference problems. By leveraging the representational power of deep neural networks, SBI can extract the most informative simulation features for the parameters of interest. Sequential SBI methods extend this approach by iteratively steering the simulation process towards the most relevant regions of parameter space. This is typically implemented through an algorithmic structure, in which simulation and network training alternate over multiple rounds. This strategy is particularly well suited for high-precision inference in high-dimensional settings, which are commonplace in physics applications with growing data volumes and increasing model fidelity. Here, we introduce dynamic SBI, which implements the core ideas of sequential methods in a round-free, asynchronous, and highly parallelisable manner. At its core is an adaptive dataset that is iteratively transformed during inference to resemble the target observation. Simulation and training proceed in parallel: trained networks are used both to filter out simulations incompatible with the data and to propose new, more promising ones. Compared to round-based sequential methods, this asynchronous structure can significantly reduce simulation costs and training overhead. We demonstrate that dynamic SBI achieves significant improvements in simulation and training efficiency while maintaining inference performance. We further validate our framework on two challenging astrophysical inference tasks: characterising the stochastic gravitational wave background and analysing strong gravitational lensing systems. Overall, this work presents a flexible and efficient new paradigm for sequential SBI.
• Abstract（参考訳）: シミュレーションに基づく推論(SBI)は、複雑な科学的推論問題に対処するための新しい統計パラダイムとして浮上している。 ディープニューラルネットワークの表現力を活用することで、SBIは興味のあるパラメータの最も情報性の高いシミュレーション特徴を抽出することができる。 逐次SBI法は、パラメータ空間の最も関連性の高い領域に向けてシミュレーションプロセスを反復的に操ることでこのアプローチを拡張している。 これは典型的には、シミュレーションとネットワークトレーニングが複数のラウンドで交互に行われるアルゴリズム構造によって実装される。 この戦略は、高次元設定における高精度な推論に特に適しており、これは、データボリュームの増大とモデルの忠実度の増加を伴う物理応用において一般的な方法である。 本稿では、ラウンドフリー、非同期、高度に並列化可能な方法でシーケンシャルメソッドのコアアイデアを実装する動的SBIを紹介する。 中心となるのは、ターゲット観測に類似するように推論中に反復的に変換される適応データセットである。 トレーニングされたネットワークは、データと互換性のないシミュレーションをフィルタリングし、新しい、より有望なネットワークを提案するために使用される。 ラウンドベースのシーケンシャルメソッドと比較して、この非同期構造はシミュレーションコストとトレーニングオーバーヘッドを大幅に削減することができる。 我々は,動的SBIが推論性能を維持しつつ,シミュレーションとトレーニングの効率を大幅に向上できることを実証した。 我々はさらに、確率的重力波背景の特徴付けと強力な重力レンズシステムの解析という、2つの難しい天体物理学的推論の枠組みを検証した。 全体として、この研究はシーケンシャルSBIのためのフレキシブルで効率的な新しいパラダイムを提示している。

関連論文リスト

• High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
  入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。 近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。 機能適応型INR(FA-INR)を提案する。
  論文  参考訳（メタデータ） (2025-06-07T16:45:17Z)
• Effortless, Simulation-Efficient Bayesian Inference using Tabular Foundation Models [5.952993835541411]
  本研究では,TabPFNをシミュレーションベース推論のための自己回帰条件密度推定器として用いる方法を示す。 NPE-PF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)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• 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)
• 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)
• Compositional simulation-based inference for time series [21.9975782468709]
  シミュレーション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し、ベイズ推論を実行する方法。 シミュレータは、時間とともに何千もの単一状態遷移を通して現実世界のダイナミクスをエミュレートする。 本研究では,個々の状態遷移に整合したパラメータを局所的に同定することで,マルコフシミュレータを活用できるSBI手法を提案する。
  論文  参考訳（メタデータ） (2024-11-05T01:55:07Z)
• Feasibility Study on Active Learning of Smart Surrogates for Scientific Simulations [4.368891765870579]
  深層ニューラルネットワーク(DNN)のサロゲートトレーニングにアクティブラーニングを組み込むことの可能性を検討する。 これにより、インテリジェントで客観的なトレーニングシミュレーションの選択が可能になり、広範なシミュレーションデータを生成する必要がなくなる。 その結果、スマートサロゲートのための高性能コンピューティング基盤の開発の基礎となった。
  論文  参考訳（メタデータ） (2024-07-10T14:00:20Z)
• 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)
• 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)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)
• Understanding the Effects of Data Parallelism and Sparsity on Neural Network Training [126.49572353148262]
  ニューラルネットワークトレーニングにおける2つの要因として,データ並列性と疎性について検討する。 有望なメリットにもかかわらず、ニューラルネットワークトレーニングに対する彼らの影響を理解することは、依然として明白である。
  論文  参考訳（メタデータ） (2020-03-25T10:49:22Z)

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。