論文の概要: Amortized Inference of Multi-Modal Posteriors using Likelihood-Weighted Normalizing Flows

• arxiv url: http://arxiv.org/abs/2512.04954v1
• Date: Thu, 04 Dec 2025 16:22:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-05 21:11:46.268075
• Title: Amortized Inference of Multi-Modal Posteriors using Likelihood-Weighted Normalizing Flows
• Title（参考訳）: Likelihood-Weighted Normalizing Flows を用いた多モード後肢の記憶的推測
• Authors: Rajneil Baruah,
• Abstract要約: 重み付けされた重要度サンプリングを訓練した正規化フローを用いたアモータイズ後推定手法を提案する。 本手法は,2次元および3次元のマルチモーダルベンチマークタスクに実装し,有効性を確認する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a novel technique for amortized posterior estimation using Normalizing Flows trained with likelihood-weighted importance sampling. This approach allows for the efficient inference of theoretical parameters in high-dimensional inverse problems without the need for posterior training samples. We implement the method on multi-modal benchmark tasks in 2D and 3D to check for the efficacy. A critical observation of our study is the impact of the topology of the base distributions on the modelled posteriors. We find that standard unimodal base distributions fail to capture disconnected support, resulting in spurious probability bridges between modes. We demonstrate that initializing the flow with a Gaussian Mixture Model that matches the cardinality of the target modes significantly improves reconstruction fidelity, as measured by some distance and divergence metrics.
• Abstract（参考訳）: 重み付けされた重要度サンプリングを訓練した正規化フローを用いたアモータイズ後推定手法を提案する。 このアプローチは、後方トレーニングサンプルを必要とせず、高次元逆問題における理論パラメータの効率的な推論を可能にする。 本手法は,2次元および3次元のマルチモーダルベンチマークタスクに実装し,有効性を確認する。 本研究は,底面分布のトポロジーが後部モデルに与える影響について考察した。 標準の単調なベース分布は非連結なサポートを捕捉できず、結果としてモード間の急激な確率ブリッジが生じる。 ターゲットモードの濃度に一致したガウス混合モデルを用いて流れを初期化することにより、距離と分散度によって測定されるように、再構成の忠実度が著しく向上することを示した。

関連論文リスト

• Solving Inverse Problems via Diffusion-Based Priors: An Approximation-Free Ensemble Sampling Approach [19.860268382547357]
  現在のDMに基づく後方サンプリング法は、生成過程への近似に依存する。 近似を使わずに後続サンプリングを行うアンサンブルに基づくアルゴリズムを提案する。 本アルゴリズムは,DM法と連続モンテカルロ法を組み合わせた既存手法に動機づけられる。
  論文  参考訳（メタデータ） (2025-06-04T14:09:25Z)
• Likelihood-Free Adaptive Bayesian Inference via Nonparametric Distribution Matching [2.0319002824093015]
  本稿では,従来のデータ空間の相違を回避したフレームワークであるAdaptive Bayesian Inference (ABI)を提案する。 ABIは、後続分布間のばらつきを測定する問題を、条件付き量子レグレッションタスクのトラクタブルシーケンスに変換する。 ABIはデータベースであるWasserstein, 要約ベースABC, 最先端の可能性のないシミュレータを著しく上回っていることを実証する。
  論文  参考訳（メタデータ） (2025-05-07T17:50:14Z)
• Amortized Posterior Sampling with Diffusion Prior Distillation [55.03585818289934]
  Amortized Posterior Smplingは、逆問題における効率的な後方サンプリングのための新しい変分推論手法である。 本手法は,拡散モデルにより暗黙的に定義された変動分布と後続分布とのばらつきを最小限に抑えるために条件付き流れモデルを訓練する。 既存の手法とは異なり、我々のアプローチは教師なしであり、ペア化されたトレーニングデータを必要としておらず、ユークリッドと非ユークリッドの両方のドメインに適用できる。
  論文  参考訳（メタデータ） (2024-07-25T09:53:12Z)
• Diffusion Prior-Based Amortized Variational Inference for Noisy Inverse Problems [12.482127049881026]
  そこで本稿では, 償却変分推論の観点から, 拡散による逆問題の解法を提案する。 我々の償却推論は、測定結果を対応するクリーンデータの暗黙の後方分布に直接マッピングする関数を学習し、未知の計測でも単一ステップの後方サンプリングを可能にする。
  論文  参考訳（メタデータ） (2024-07-23T02:14:18Z)
• Amortizing intractable inference in diffusion models for vision, language, and control [89.65631572949702]
  本稿では,p(mathbfx)$以前の拡散生成モデルとブラックボックス制約,あるいは関数$r(mathbfx)$からなるモデルにおいて,データ上の後部サンプルである $mathbfxsim prm post(mathbfx)propto p(mathbfx)r(mathbfx)$について検討する。 我々は,データフリー学習目標である相対軌道バランスの正しさを,サンプルから抽出した拡散モデルの訓練のために証明する。
  論文  参考訳（メタデータ） (2024-05-31T16:18:46Z)
• Improved off-policy training of diffusion samplers [93.66433483772055]
  本研究では,非正規化密度やエネルギー関数を持つ分布からサンプルを抽出する拡散モデルの訓練問題について検討する。 シミュレーションに基づく変分法や非政治手法など,拡散構造推論手法のベンチマークを行った。 我々の結果は、過去の研究の主張に疑問を投げかけながら、既存のアルゴリズムの相対的な利点を浮き彫りにした。
  論文  参考訳（メタデータ） (2024-02-07T18:51:49Z)

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。