論文の概要: Learned harmonic mean estimation of the marginal likelihood for multimodal posteriors with flow matching

• arxiv url: http://arxiv.org/abs/2601.18683v1
• Date: Mon, 26 Jan 2026 17:00:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.953398
• Title: Learned harmonic mean estimation of the marginal likelihood for multimodal posteriors with flow matching
• Title（参考訳）: フローマッチングを用いたマルチモーダル後円板のハーモニック平均推定
• Authors: Alicja Polanska, Jason D. McEwen,
• Abstract要約: 学習した調和平均の内部密度推定のための強力なアーキテクチャとして,フローマッチングに基づく連続正規化フローを導入する。 20のパラメータ次元の例を含む,挑戦的なマルチモーダル後部処理能力を示す。
• 参考スコア（独自算出の注目度）: 3.1102602510192736
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The marginal likelihood, or Bayesian evidence, is a crucial quantity for Bayesian model comparison but its computation can be challenging for complex models, even in parameters space of moderate dimension. The learned harmonic mean estimator has been shown to provide accurate and robust estimates of the marginal likelihood simply using posterior samples. It is agnostic to the sampling strategy, meaning that the samples can be obtained using any method. This enables marginal likelihood calculation and model comparison with whatever sampling is most suitable for the task. However, the internal density estimators considered previously for the learned harmonic mean can struggle with highly multimodal posteriors. In this work we introduce flow matching-based continuous normalizing flows as a powerful architecture for the internal density estimation of the learned harmonic mean. We demonstrate the ability to handle challenging multimodal posteriors, including an example in 20 parameter dimensions, showcasing the method's ability to handle complex posteriors without the need for fine-tuning or heuristic modifications to the base distribution.
• Abstract（参考訳）: ベイズモデルの比較においてベイズ的証拠(Bayesian evidence)は重要な量であるが、その計算は中等次元のパラメータ空間においても複雑なモデルでは困難である。 学習された高調波平均推定器は、単純に後部サンプルを用いて、限界確率の正確で頑健な推定値を提供することを示した。 サンプリング戦略とは無関係であり、サンプルは任意の方法で得ることができる。 これにより、そのタスクに最も適したサンプリングに比較して、限界精度の計算とモデルの比較が可能になる。 しかし、学習した高調波平均に対する従来考慮されていた内部密度推定器は、高度に多モーダルな後部と競合する可能性がある。 本研究では,フローマッチングに基づく連続正規化フローを,学習された調和平均の内部密度推定のための強力なアーキテクチャとして導入する。 本研究では,20のパラメータ次元の例を含む,難解なマルチモーダル後方の処理能力を示すとともに,基礎分布の微調整やヒューリスティックな修正を必要とせず,複雑な後方の処理能力を示す。

関連論文リスト

• Amortized Inference of Multi-Modal Posteriors using Likelihood-Weighted Normalizing Flows [0.0]
  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。
  論文  参考訳（メタデータ） (2025-12-04T16:22:53Z)
• In-Context Parametric Inference: Point or Distribution Estimators? [66.22308335324239]
  償却点推定器は一般に後部推論より優れているが、後者は低次元問題では競争力がある。 実験の結果, 償却点推定器は一般に後部推定より優れているが, 後者は低次元問題では競争力があることがわかった。
  論文  参考訳（メタデータ） (2025-02-17T10:00:24Z)
• Learned harmonic mean estimation of the marginal likelihood with normalizing flows [6.219412541001482]
  本稿では,サンプリング対象分布の重要度を表すために正規化フローを導入する。 学習されたハーモニック平均を実装するコードは公開されており、フローの正規化をサポートするように更新されている。
  論文  参考訳（メタデータ） (2023-06-30T18:00:02Z)
• Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
  正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。 一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
  論文  参考訳（メタデータ） (2022-02-23T06:11:49Z)
• Density Ratio Estimation via Infinitesimal Classification [85.08255198145304]
  そこで我々は, DRE-inftyを提案する。 DRE-inftyは, 密度比推定(DRE)を, より簡単なサブプロブレムに還元する手法である。 モンテカルロ法にインスパイアされ、中間ブリッジ分布の無限連続体を介して2つの分布の間を滑らかに補間する。 提案手法は,複雑な高次元データセット上での相互情報推定やエネルギーベースモデリングなどの下流タスクにおいて良好に動作することを示す。
  論文  参考訳（メタデータ） (2021-11-22T06:26:29Z)
• Residual Overfit Method of Exploration [78.07532520582313]
  提案手法は,2点推定値の調整と1点オーバーフィットに基づく近似探索手法を提案する。 このアプローチは、調整されたモデルと比較して、オーバーフィットモデルが最も過度な適合を示すアクションへの探索を促進する。 ROMEを3つのデータセット上の確立されたコンテキスト的帯域幅法と比較し、最も優れたパフォーマンスの1つとみなす。
  論文  参考訳（メタデータ） (2021-10-06T17:05:33Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• Stacking for Non-mixing Bayesian Computations: The Curse and Blessing of Multimodal Posteriors [8.11978827493967]
  MCMCの並列実行, 変動型, モードベースの推論を用いて, できるだけ多くのモードをヒットさせる手法を提案する。 重み付き推論プロセスが真のデータを近似する例と理論的整合性を示す。 いくつかのモデルファミリで実践的な実装を示す。
  論文  参考訳（メタデータ） (2020-06-22T15:26:59Z)
• SUMO: Unbiased Estimation of Log Marginal Probability for Latent Variable Models [80.22609163316459]
  無限級数のランダム化トランケーションに基づく潜在変数モデルに対して、ログ境界確率の非バイアス推定器とその勾配を導入する。 推定器を用いてトレーニングしたモデルは、同じ平均計算コストに対して、標準的な重要度サンプリングに基づくアプローチよりも優れたテストセット確率を与えることを示す。
  論文  参考訳（メタデータ） (2020-04-01T11:49:30Z)

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。