論文の概要: Simulation-based Bayesian inference with ameliorative learned summary statistics -- Part I

• arxiv url: http://arxiv.org/abs/2601.22441v1
• Date: Fri, 30 Jan 2026 01:21:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.142121
• Title: Simulation-based Bayesian inference with ameliorative learned summary statistics -- Part I
• Title（参考訳）: 改良的学習要約統計を用いたシミュレーションに基づくベイズ推定 -その1-
• Authors: Getachew K. Befekadu,
• Abstract要約: 本稿では,学習した要約統計を用いたシミュレーションに基づく推論について考察する。 観測データとシミュレーションモデルに関連付けられた正確な確率関数は、閉じた形で取得することは困難か、あるいは計算的に抽出可能である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper, which is Part 1 of a two-part paper series, considers a simulation-based inference with learned summary statistics, in which such a learned summary statistic serves as an empirical-likelihood with ameliorative effects in the Bayesian setting, when the exact likelihood function associated with the observation data and the simulation model is difficult to obtain in a closed form or computationally intractable. In particular, a transformation technique which leverages the Cressie-Read discrepancy criterion under moment restrictions is used for summarizing the learned statistics between the observation data and the simulation outputs, while preserving the statistical power of the inference. Here, such a transformation of data-to-learned summary statistics also allows the simulation outputs to be conditioned on the observation data, so that the inference task can be performed over certain sample sets of the observation data that are considered as an empirical relevance or believed to be particular importance. Moreover, the simulation-based inference framework discussed in this paper can be extended further, and thus handling weakly dependent observation data. Finally, we remark that such an inference framework is suitable for implementation in distributed computing, i.e., computational tasks involving both the data-to-learned summary statistics and the Bayesian inferencing problem can be posed as a unified distributed inference problem that will exploit distributed optimization and MCMC algorithms for supporting large datasets associated with complex simulation models.
• Abstract（参考訳）: 本稿では,2部構成の論文シリーズのパート1である本論文では,学習要約統計を用いたシミュレーションに基づく推論について考察する。ベイジアンセッティングにおいて,観測データとシミュレーションモデルに付随する正確な精度関数の取得が困難であったり,あるいは計算的に難解であったりした場合に,そのような学習要約統計が経験的様相として機能する。 特に、観測データとシミュレーション出力の学習統計を要約し、推論の統計力を保ちながら、モーメント制約下でのCressie-Readの差分基準を利用する変換技術を用いる。 ここでは、データから学習した要約統計の変換により、シミュレーション出力を観測データに条件付けし、経験的関連性または特に重要であると考えられる観測データの特定のサンプルセット上で推論タスクを行うことができる。 さらに,本論文で論じるシミュレーションベース推論フレームワークをさらに拡張することで,弱い依存性を持つ観測データを扱うことができる。 最後に、このような推論フレームワークは分散コンピューティングにおける実装に適している、すなわち、データから学習した要約統計量とベイズ推論問題の両方を含む計算タスクは、分散最適化とMCMCアルゴリズムを利用して複雑なシミュレーションモデルに関連する大規模データセットをサポートする統一分散推論問題として提案できる、と述べる。

関連論文リスト

• Flow Matching for Robust Simulation-Based Inference under Model Misspecification [11.172752919335394]
  Flow Matching Corrected Posterior Estimation(フローマッチング補正後推定)は、シミュレーションによって訓練された後部推定を、少数の実校正サンプルを用いて洗練するフレームワークである。 提案手法は,従来のSBIベースラインと比較して,推論精度と不確実性を向上し,不特定性の影響を常に緩和することを示す。
  論文  参考訳（メタデータ） (2025-09-27T16:10:53Z)
• Meta-Statistical Learning: Supervised Learning of Statistical Inference [59.463430294611626]
  この研究は、大きな言語モデル(LLM)の成功を駆動するツールと原則が、分散レベルのタスクに取り組むために再利用可能であることを実証している。 本稿では,統計的推論タスクを教師付き学習問題として再構成するマルチインスタンス学習に触発されたメタ統計学習を提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:04:39Z)
• Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
  この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。 第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。 第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
  論文  参考訳（メタデータ） (2025-02-11T19:24:09Z)
• 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)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Sequential Likelihood-Free Inference with Implicit Surrogate Proposal [24.20924279100816]
  本稿では,さらにサンプル効率のよい累積データセットを生成するために,ISP(Inlicit Surrogate Proposal)を提案する。 ISPは、フィードフォワード方式でi.i.dサンプルを描画することで、最も多様な方法で累積データセットを構築する。 ISPは,マルチモーダル後部シミュレーションにおいて,ベースライン推論アルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-15T08:59:23Z)

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。