論文の概要: A Review of Diffusion-based Simulation-Based Inference: Foundations and Applications in Non-Ideal Data Scenarios

• arxiv url: http://arxiv.org/abs/2512.23748v1
• Date: Fri, 26 Dec 2025 18:18:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.134114
• Title: A Review of Diffusion-based Simulation-Based Inference: Foundations and Applications in Non-Ideal Data Scenarios
• Title（参考訳）: 拡散に基づくシミュレーションに基づく推論の概観:非理想的なデータシナリオの基礎と応用
• Authors: Haley Rosso, Talea Mayo,
• Abstract要約: 最近の研究は、シミュレーションベースの推論のための柔軟なフレームワークとして拡散モデルに注意を向けている。 この記事では、拡散に基づくSBIを第一原理から実際への応用までレビューする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For complex simulation problems, inferring parameters of scientific interest often precludes the use of classical likelihood-based techniques due to intractable likelihood functions. Simulation-based inference (SBI) methods forego the need for explicit likelihoods by directly utilizing samples from the simulator to learn posterior distributions over parameters $\mathbfθ$ given observed data $\mathbf{x}_{\text{o}}$. Recent work has brought attention to diffusion models -- a type of generative model rooted in score matching and reverse-time stochastic dynamics -- as a flexible framework SBI tasks. This article reviews diffusion-based SBI from first principles to applications in practice. We first recall the mathematical foundations of diffusion modeling (forward noising, reverse-time SDE/ODE, probability flow, and denoising score matching) and explain how conditional scores enable likelihood-free posterior sampling. We then examine where diffusion models address pain points of normalizing flows in neural posterior/likelihood estimation and where they introduce new trade-offs (e.g., iterative sampling costs). The key theme of this review is robustness of diffusion-based SBI in non-ideal conditions common to scientific data: misspecification (mismatch between simulated training data and reality), unstructured or infinite-dimensional observations, and missingness. We synthesize methods spanning foundations drawing from Schrodinger-bridge formulations, conditional and sequential posterior samplers, amortized architectures for unstructured data, and inference-time prior adaptation. Throughout, we adopt consistent notation and emphasize conditions and caveats required for accurate posteriors. The review closes with a discussion of open problems with an eye toward applications of uncertainty quantification for probabilistic geophysical models that may benefit from diffusion-based SBI.
• Abstract（参考訳）: 複雑なシミュレーション問題に対して、科学的な関心を持つパラメータを推論することは、しばしば難易度関数による古典的可能性に基づくテクニックの使用を妨げている。 シミュレーションベースの推論 (SBI) 手法は、パラメータ$\mathbfθ$ で観測されたデータ $\mathbf{x}_{\text{o}}$ で後続分布を学習するためにシミュレータのサンプルを直接利用することによって、明示的な可能性の必要性を先導する。 最近の研究は、フレキシブルなフレームワークSBIタスクとしての拡散モデル(スコアマッチングとリバースタイム確率力学に根ざした生成モデル)に注意を向けている。 この記事では、拡散に基づくSBIを第一原理から実際的な応用へレビューする。 まず,拡散モデル(前向きノイズ,逆時間SDE/ODE,確率フロー, denoising score matching)の数学的基礎を思い出し,条件付きスコアが後続サンプリングを可能かを説明する。 次に,神経後・後部・後部推定における正規化フローの痛み点と,新たなトレードオフ(反復サンプリングコストなど)を導入するかを検討する。 このレビューの主なテーマは、科学的データに共通する非理想的条件における拡散に基づくSBIの堅牢性である。 我々は,Schrodinger-bridge の定式化,条件付きおよび逐次的な後続標本化,非構造化データに対する償却アーキテクチャ,推論時事前適応から基礎を抽出する手法を合成する。 全体として、我々は一貫した表記を採用し、正確な後肢に必要な条件と注意点を強調している。 このレビューは、拡散に基づくSBIの恩恵を受ける確率的地球物理モデルに対する不確実性定量化の適用に向けたオープンな問題に関する議論で締めくくられる。

関連論文リスト

• Robust Simulation-Based Inference under Missing Data via Neural Processes [6.32765579505162]
  我々は,SBIにおける欠落データの問題を定式化し,本手法がSBI後部推定にバイアスをもたらすことを示す。 また,神経後部推定フレームワークにおいて,計算モデルと推論ネットワークを共同で学習することにより,この問題に対処する新しい補正手法を提案する。
  論文  参考訳（メタデータ） (2025-03-03T08:22:01Z)
• 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)
• 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)
• 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)
• 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)

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。